Identification and characterization of long non-coding RNAs as targets of mammary tumor cell proliferation and migration
Notice bibliographique
Résumé
Abstract Recent genome-wide studies revealed that as much as 80% of the human genome can be transcribed whereas only 2% of this RNA is translated into proteins. Non-coding transcripts can be subdivided into several groups, with long non-coding RNAs (lncRNAs) representing the largest and most diverse class. With breast cancer being the most frequent malignancy in women worldwide, we set out to investigate the potential of lncRNAs as novel therapeutic targets. By performing RNA-Seq on tumor sections and mammary organoids from MMTV-PyMT and MMTV-Neu-NDL mice, modeling the luminal B and HER2/neu-amplified subtypes of human breast cancer respectively, we generated a comprehensive catalog of differentially expressed lncRNAs. We identified several hundred potentially oncogenic lncRNAs that were over-expressed in a subtype-specific manner as well as numerous lncRNAs up-regulated in both models. Among these lncRNA we defined a subset of 30 previously uncharacterized lncRNAs as Mammary Tumor Associated RNAs (MaTARs) and we identified human orthologs. We functionally validated the role of these MaTARs by antisense oligonucleotide (ASO) mediated knockdown in primary mammary tumor cells and 3D ex vivo organoids. Upon independent knockdown of 15 MaTARs, we observed significantly reduced cell proliferation, invasion and/or collective cell migration in a cancer-specific context. Thus, MaTARs are likely key drivers of mammary tumor progression and/or metastasis and represent promising new therapeutic targets.
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 | 0,000 | 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) | 0,001 | 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 ».