Integrative Bioinformatics Analysis Reveals New Prognostic Biomarkers of Clear Cell Renal Cell Carcinoma
Notice bibliographique
Résumé
BACKGROUND: The outcome of clear cell renal cell carcinoma (ccRCC) is still unpredictable. Even with new targeted therapies, the average progression-free survival is dismal. Markers for early detection and progression could improve disease outcome. METHODS: To identify efficient and hitherto unrecognized pathogenic factors of the disease, we performed a uniquely comprehensive pathway analysis and built a gene interaction network based on large publicly available data sets assembled from 28 publications, comprising a 3-prong approach with high-throughput mRNA, microRNA, and protein expression profiles of 593 ccRCC and 389 normal kidney samples. We validated our results on 2 different data sets of 882 ccRCC and 152 normal tissues. Functional analyses were done by proliferation, migration, and invasion assays following siRNA (small interfering RNA) knockdown. RESULTS: After integration of multilevel data, we identified aryl-hydrocarbon receptor (AHR), grainyhead-like-2 (GRHL2), and KIAA0101 as new pathogenic factors. GRHL2 expression was associated with higher chances for disease relapse and retained prognostic utility after controlling for grade and stage [hazard ratio (HR), 3.47, P = 0.012]. Patients with KIAA0101-positive expression suffered worse disease-free survival (HR, 3.64, P < 0.001), and in multivariate analysis KIAA0101 retained its independent prognostic significance. Survival analysis showed that GRHL2- and KIAA0101-positive patients had significantly lower disease-free survival (P = 0.002 and P < 0.001). We also found that KIAA0101 silencing decreased kidney cancer cell migration and invasion in vitro. CONCLUSIONS: Using an integrative system biology approach, we identified 3 novel factors as potential biomarkers (AHR, GRHL2 and KIAA0101) involved in ccRCC pathogenesis and not linked to kidney cancer before.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».