MétaCan
Menu
Retour à la cohorte
Enregistrement W2159734522 · doi:10.1155/2014/642916

The Potential of MicroRNAs in Personalized Medicine against Cancers

2014· review· en· W2159734522 sur OpenAlexafffund
Anne Saumet, Anthony Mathelier, Charles‐Henri Lecellier

Notice bibliographique

RevueBioMed Research International · 2014
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMicroRNA in disease regulation
Établissements canadiensChild and Family Research InstituteUniversity of British Columbia
Organismes subventionnairesGenome British ColumbiaGenome Canada
Mots-clésmicroRNACarcinogenesisPersonalized medicineCancerBiologyMetastasisBioinformaticsComputational biologyPrecision medicineFunction (biology)Cancer researchGeneGenetics

Résumé

récupéré en direct d'OpenAlex

MicroRNAs orchestrate the expression of the genome and impact many, if not all, cellular processes. Their deregulation is thus often causative of human malignancies, including cancers. Numerous studies have implicated microRNAs in the different steps of tumorigenesis including initiation, progression, metastasis, and resistance to chemo/radiotherapies. Thus, microRNAs constitute appealing targets for novel anticancer therapeutic strategies aimed at restoring their expression or function. As microRNAs are present in a variety of human cancer types, microRNA profiles can be used as tumor-specific signatures to detect various cancers (diagnosis), to predict their outcome (prognosis), and to monitor their treatment (theranosis). In this review, we present the different aspects of microRNA biology that make them remarkable molecules in the emerging field of personalized medicine against cancers and provide several examples of their industrial exploitation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,940
Score d'incertitude au seuil0,539

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,422
Écart entre enseignants0,366 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations29
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBioMed Research InternationalMême sujetMicroRNA in disease regulationTravaux en français237 207