Gene expression studies provide clues to the pathogenesis of uterine leiomyoma: new evidence and a systematic review
Notice bibliographique
Résumé
BACKGROUND: Uterine leiomyomas are extremely common and a major cause of pelvic pain, bleeding, infertility, and the leading indication for hysterectomy. Familial and epidemiological studies provide compelling evidence that genetic alterations play an important role in leiomyoma development. METHODS: Using Affymetrix U133A GeneChip we analysed expression profiles of 22,283 genes in paired samples of leiomyoma and adjacent normal myometrium. We compared our results with previously published data on gene expression in uterine leiomyoma and identified the overlapping gene alterations. RESULTS: We detected 80 genes with average differences of > or = 2-fold and false discovery rates of < 5% (14 overexpressed and 66 underexpressed). A comparative analysis including eight previous gene expression studies revealed eight prominent genes (ADH1, ATF3, CRABP2, CYR61, DPT, GRIA2, IGF2, MEST) identified by at least five different studies, eleven genes (ALDH1, CD24, CTGF, DCX, DUSP1, FOS, GAGEC1, IGFBP6, PTGDS, PTGER3, TYMS) reported by four studies, twelve genes (ABCA, ANXA1, APM2, CCL21, CDKN1A, CRMP1, EMP1, ESR1, FY, MAP3K5, TGFBR2, TIMP3) identified by three studies, and 40 genes reported by two different studies. CONCLUSIONS: Review of gene expression data revealed concordant changes in genes regulating retinoid synthesis, IGF metabolism, TGF-beta signaling and extracellular matrix formation. Gene expression studies provide clues to the relevant pathways of leiomyoma development.
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 | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,009 | 0,014 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».