Epigenetic markers of prostate cancer in plasma circulating DNA
Notice bibliographique
Résumé
Epigenetic differences are a common feature of many diseases, including cancer, and disease-associated changes have even been detected in bodily fluids. DNA modification studies in circulating DNA (cirDNA) may lead to the development of specific non-invasive biomarkers. To test this hypothesis, we investigated cirDNA modifications in prostate cancer patients with locally confined disease (n = 19), in patients with benign prostate hyperplasias (n = 20) and in men without any known prostate disease (n = 20). This initial discovery screen identified 39 disease-associated changes in cirDNA modification, and seven of these were validated using the sodium bisulfite-based mapping of modified cytosines in both the discovery cohort and an independent 38-patient validation cohort. In particular, we showed that the DNA modification of regions adjacent to the gene encoding ring finger protein 219 distinguished prostate cancer from benign hyperplasias with good sensitivity (61%) and specificity (71%). We also showed that repetitive sequences detected in this study were meaningful, as they indicated a highly statistically significant loss of DNA at the pericentromeric region of chromosome 10 in prostate cancer patients (p = 1.8 × 10(-6)). Based on these strong univariate results, we applied machine-learning techniques to develop a multi-locus biomarker that correctly distinguished prostate cancer samples from unaffected controls with 72% accuracy. Lastly, we used systems biology techniques to integrate our data with publicly available DNA modification and transcriptomic data from primary prostate tumors, thereby prioritizing genes for further studies. These data suggest that cirDNA epigenomics are promising source for non-invasive biomarkers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».