Influence of Evolution in Tumor Biobanking on the Interpretation of Translational Research
Notice bibliographique
Résumé
PURPOSE: Translational cancer research increasingly relies on human tissue biospecimens and this has coincided with a shift in tissue biobanking approach. Newer biobanks (post year 2000) deploy standard operating procedures to reduce variability around biospecimen collection. Because current translational research is based on pre-2000 and post-2000 era biospecimens, we consider whether the collection era may influence gene expression data. DESIGN: We compared the range of breast tumor collection times from pre-2000 and post-2000 era biobanks and compared estrogen receptor (ER) protein expression with collection time. We then collected 10 breast tumor biospecimens under a standardized protocol and examined whether the expression of c-myc and ER was influenced by storage on ice < or = 24 hours. RESULTS: The range of collection times achieved at a pre-2000 versus post-2000 era biobank differed. Thirty-two percent of biospecimens were cryopreserved within 30 minutes at the pre-2000 era biobank versus 76% at the post-2000 era biobank. Collection time and ER protein level was inversely correlated (r = -0.19, P = 0.025; n = 137). We observed a wide range in initial c-myc and ER mRNA levels (50- versus 130-fold). Although mRNA levels of both genes declined with increasing collection time, the rate of change differed because c-myc was significantly reduced after 24 hours (mean reduction to 79% of initial) versus ER (94% of initial). CONCLUSION: The overall shift in biobanking around the year 2000 is reflected in the ranges of collection times associated with pre-2000 and post-2000 era biobanks. Because collection time can differentially alter gene expression, the biospecimen collection era should be considered in gene expression studies.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».