MétaCan
Menu
Retour à la cohorte
Enregistrement W2620791330 · doi:10.1093/neuonc/nox106

miR miR on the wall, who’s the most malignant medulloblastoma miR of them all?

2017· review· de· W2620791330 sur OpenAlexaff
Xin Wang, Borja Holgado, Vijay Ramaswamy, Stephen C. Mack, Kory Zayne, Marc Remke, Xiaochong Wu, Livia Garzia, Craig Daniels, Anna Marie Kenney, Michael D. Taylor

Notice bibliographique

RevueNeuro-Oncology · 2017
Typereview
Languede
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMicroRNA in disease regulation
Établissements canadiensSickKids FoundationHospital for Sick ChildrenUniversity of Toronto
Organismes subventionnairesNational Cancer Institute
Mots-clésMedulloblastomamicroRNABiologyCancerDiseaseCancer researchComputational biologyNeuroscienceBioinformaticsGeneGeneticsMedicinePathology

Résumé

récupéré en direct d'OpenAlex

microRNAs (miRNAs) have wide-ranging effects on large-scale gene regulation. As such, they play a vital role in dictating normal development, and their aberrant expression has been implicated in cancer. There has been a large body of research on the role of miRNAs in medulloblastoma, the most common malignant brain tumor of childhood. The identification of the 4 molecular subgroups with distinct biological, genetic, and transcriptional features has revolutionized the field of medulloblastoma research over the past 5 years. Despite this, the growing body of research on miRNAs in medulloblastoma has largely focused on the clinical entity of a single disease rather than the molecular subgroups. This review begins by highlighting the role of miRNAs in development and progresses to explore their myriad of implications in cancer. Medulloblastoma is characterized by increased proliferation, inhibition of apoptosis, and maintenance of stemness programs-features that are inadvertently regulated by altered expression patterns in miRNAs. This review aims to contextualize the large body of work on miRNAs within the framework of medulloblastoma subgroups. The goal of this review is to stimulate new areas of research, including potential therapeutics, within a rapidly growing field.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,002

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,326
Écart entre enseignants0,271 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeuro-OncologyMême sujetMicroRNA in disease regulationTravaux en français237 207