The Landscape of Prognostic Outlier Genes in High-Risk Prostate Cancer
Notice bibliographique
Résumé
PURPOSE: There is a clear need to improve risk stratification and to identify novel therapeutic targets in aggressive prostate cancer. The goal of this study was to investigate genes with outlier expression with prognostic association in high-risk prostate cancer patients as potential biomarkers and drug targets. EXPERIMENTAL DESIGN: We interrogated microarray gene expression data from prostatectomy samples from 545 high-risk prostate cancer patients with long-term follow-up (mean 13.4 years). Three independent clinical datasets totaling an additional 545 patients were used for validation. Novel prognostic outlier genes were interrogated for impact on oncogenic phenotypes in vitro using siRNA-based knockdown. Association with clinical outcomes and comparison with existing prognostic instruments was assessed with multivariable models using a prognostic outlier score. RESULTS: Analysis of the discovery cohort identified 20 prognostic outlier genes. Three top prognostic outlier genes were novel prostate cancer genes; NVL, SMC4, or SQLE knockdown reduced migration and/or invasion and outlier expression was significantly associated with poor prognosis. Increased prognostic outlier score was significantly associated with poor prognosis independent of standard clinicopathologic variables. Finally, the prognostic outlier score prognostic association is independent of, and adds to existing genomic and clinical tools for prognostication in prostate cancer (Decipher, the cell-cycle progression signature, and CAPRA-S). CONCLUSIONS: To our knowledge, this study represents the first unbiased high-throughput investigation of prognostic outlier genes in prostate cancer and demonstrates the potential biomarker and therapeutic importance of this previously unstudied class of cancer genes.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».