MicroRNA: an Emerging Therapeutic Target and Intervention Tool
Notice bibliographique
Résumé
MicroRNAs (miRNAs) are a class of short non-coding RNAs with posttranscriptional regulatory functions. To date, more than 600 human miRNAs have been experimentally identified, and estimated to regulate more than one third of cellular messenger RNAs. Accumulating evidence has linked the dysregulated expression patterns of miRNAs to a variety of diseases, such as cancer, neurodegenerative diseases, cardiovascular diseases and viral infections. MiRNAs provide its particular layer of network for gene regulation, thus possessing the great potential both as a novel class of therapeutic targets and as a powerful intervention tool. In this regard, synthetic RNAs that contain the binding sites of miRNA have been shown to work as a "decoy" or "miRNA sponge" to inhibit the function of specific miRNAs. On the other hand, miRNA expression vectors have been used to restore or overexpress specific miRNAs to achieve a long-term effect. Further, double-stranded miRNA mimetics for transient replacement have been experimentally validated. Endogenous precursor miRNAs have also been used as scaffolds for the induction of RNA interference. This article reviews the recent progress on this emerging technology as a powerful tool for gene regulation studies and particularly as a rationale strategy for design of therapeutics.
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 ».