Tumor burden and cisplatin treatment alters the expression levels of microRNA-146a and -155 in spleen and cancer cells in an experimental mouse model of Ehrlich ascite carcinoma
Notice bibliographique
Résumé
Background: MicroRNAs (miRNAs) are small noncoding RNAs that typically inhibit translation and stability of messengerRNAs (mRNAs) and as such control expression of genes involved in different cellular processes. Several miRNAs have beenlinked to cancer and immune cells but whether there is a correlation between their expressions in both cells is still indistinct. Aim: In this study, we aimed to analyze miRNAs in tumor and immune cells in tumor bearing mice treated with or withoutchemotherapy. Methods: CD1 mice were inoculated with intraperitoneal (i.p.) injection of 106 viable cells from Ehrlich ascetic carcinoma (EAC)cell line to form ascities. Mice were then i.p. treated with PBS ascontrol or with cispaltin (10 or 40 μg/mouse). Semiquantificationof miRNAs 146a and 155 in spleen and tumor cells was done after 1 or 2 weeks of treatments using RT-PCR. Results: The transcription level of miRNA-146a decreased in EAC and spleen cells, while miRNA-155 expression level increased.In EAC-bearing mice treated with CIS for 1 week, miRNA-155 expression level considerably increased in spleen and tumor cellsas compared to tumor-non-bearing and untreated tumor-bearing mice. In contrast, the miRNA-146a transcription level decreasedin both spleen and tumor cells as compared to its expression level in naive and untreated EAC- bearing mice. Two weeks postCIS treatment of EAC-bearing mice, spleen cells still show low expression levels of miRNA-146a, while theexpression levels ofmiRNA-155 increased in both spleen and tumor cells. Taken together, these results suggest that miRNA expression is significantlyaltered by tumor progression and by chemotherapy.
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 | 0,000 | 0,000 |
| 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 ».