Target labelling for the detection and profiling of microRNAs expressed in CNS tissue using microarrays.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: MicroRNAs (miRNA) are a novel class of small, non-coding, gene regulatory RNA molecules that have diverse roles in a variety of eukaryotic biological processes. High-throughput detection and differential expression analysis of these molecules, by microarray technology, may contribute to a greater understanding of the many biological events regulated by these molecules. In this investigation we compared two different methodologies for the preparation of labelled miRNAs from mouse CNS tissue for microarray analysis. Labelled miRNAs were prepared either by a procedure involving linear amplification of miRNAs (labelled-aRNA) or using a direct labelling strategy (labelled-cDNA) and analysed using a custom miRNA microarray platform. Our aim was to develop a rapid, sensitive methodology to profile miRNAs that could be adapted for use on limited amounts of tissue. RESULTS: We demonstrate the detection of an equivalent set of miRNAs from mouse CNS tissues using both amplified and non-amplified labelled miRNAs. Validation of the expression of these miRNAs in the CNS by multiplex real-time PCR confirmed the reliability of our microarray platform. We found that although the amplification step increased the sensitivity of detection of miRNAs, we observed a concomitant decrease in specificity for closely related probes, as well as increased variation introduced by dye bias. CONCLUSION: The data presented in this investigation identifies several important sources of systematic bias that must be considered upon linear amplification of miRNA for microarray analysis in comparison to directly labelled miRNA.
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.
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 découle