Gene Expression Profiling in Cervical Cancer: An Exploration of Intratumor Heterogeneity
Notice bibliographique
Résumé
PURPOSE: To explore intratumor heterogeneity in gene expression profiles from patients with cervical cancer. EXPERIMENTAL DESIGN: A total of 33 biopsies were obtained from 11 patients, sampling between two and five different areas for each tumor. The extracted RNA was hybridized onto the Affymetrix U133 Plus 2.0 oligonucleotide chip. The variance of expression within a patient (W), between patients (B) and the total variance (T = W + B) were calculated for each ProbeSet, and the ratio W/T was used as a measure of intratumor heterogeneity. Gene Ontology functional analysis was done to assess the function of genes that had high W/T (top 10%) and low W/T (bottom 10%) values. RESULTS: In total, 448 ProbeSets (2.2% of the total) had W/T < 0.10, indicating low intratumor heterogeneity, and 537 ProbeSets (2.7% of the total) had W/T > 0.90, indicating high intratumor heterogeneity. In total 14,473 ProbeSets (72.4%) had higher intertumor than intratumor heterogeneity (W/T < 0.5). Genes with low intratumor heterogeneity were characterized by a statistically significant enrichment of immune-related functions (P < 0.0001). Genes with high intratumor heterogeneity were characterized by a significant tendency towards nuclear localization and nucleic acid binding (both P < 0.0001). For genes with W/T > 0.5, more than six biopsies would be required to minimize the intratumoral heterogeneity to <0.15; if W/T is 0.3 to 0.4, four biopsies are required; and for low W/T of 0.16 to 0.3, only two to three biopsies would be needed. CONCLUSION: Although the intratumor heterogeneity was low for the majority of the tested ProbeSets, for many genes, multiple biopsies are required to obtain a reliable estimate of gene expression.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,001 |
| 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 ».