Reproducibility and Expression of Skin Biomarkers in Sun-Damaged Skin and Actinic Keratoses
Notice bibliographique
Résumé
OBJECTIVES: To explore p53 and proliferating cell nuclear antigen (PCNA) expression and polyamine content as biomarkers in skin cancer chemoprevention trials, we evaluated their expression in early stages of UV-induced squamous cell tumorigenesis. METHODS: Biopsies were collected from three groups: 78 subjects with sun damage on forearms, 33 with actinic keratosis (AK) on forearms, and 32 with previous squamous cell carcinoma. Participants with sun damage were randomized to sunscreen or no sunscreen. RESULTS: We found significant differences in p53 and polyamines in forearms from the sun-damaged group (11.5 +/- 1.2% for p53, 65.5 +/- 1.9 nmol/g for putrescine, and 187.7 +/- 3.3 nmol/g for spermidine) compared with the group with sun damage plus AK (20.9 +/- 2.3% for p53, P = 0.0001; 81.7 +/- 3.9 nmol/g for putrescine, P = 0.0001; 209.4 +/- 8.2 nmol/g for spermidine, P < 0.06). PCNA was not different. When lesion histology was considered, there was a stepwise significant increase in p53 in biopsies without characteristics of AK compared with early AK (P = 0.02) and AK (P = 0.0006) and a similar pattern for PCNA with the only significant difference between early AK and AK. There was a stepwise increase in putrescine and spermidine in normal, sun-damaged forearm, forearm from subjects with AK, and the AK lesion itself (P < 0.0001). No significant differences in p53 or polyamines were seen in 3-month biopsies or, as a result of sunscreen use, although PCNA in the sun-damaged group not using sunscreen decreased significantly. CONCLUSIONS: p53 expression and polyamines in skin were elevated in early stages of skin tumorigenesis and were not affected by sunscreen, adding validity to their use as biomarkers in skin cancer chemoprevention trials.
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 | 0,001 |
| 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 ».