Kallikreins as microRNA targets: an<i>in silico</i>and experimental-based analysis
Notice bibliographique
Résumé
microRNAs (miRNAs) are non-coding RNAs that target specific mRNAs. They have been shown to control many biological processes including cancer pathogenesis. Kallikreins (KLKs) are a family of serine proteases that are attracting interest as cancer biomarkers. The mechanism of regulation of kallikrein expression is largely unknown. We investigated the potential roles of miRNAs in regulating KLK expression. Using a bioinformatics approach, we identified 96 strong KLK/miRNA interactions. KLK10 is the most frequently targeted kallikrein, followed by KLK5 and KLK13. KLK1, KLK3, KLK8 and KLK12 do not have strongly predicted miRNA/KLK interactions. Ten miRNAs are predicted to target more than one KLK. KLK2, KLK4, KLK5 and KLK10 have multiple miRNA-targeting sites on their transcript. Chromosomes 19 and 14 harbor significantly more KLK-targeting miRNAs. Many KLK-targeting miRNAs have been shown to be dysregulated in malignancy. We experimentally verified our bioinformatics data for the let-7f miRNA in a cell line model. let-7f transfection led to a significant decrease in secreted KLK6 and KLK10 protein levels. Co-transfection of let-7f and anti-let-7f inhibitor was able to partially rescue these protein levels. We conclude that miRNAs play a role in the regulation of KLK expression. Further studies are needed to investigate whether this regulation is altered in cancer.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».