Identification of differentially expressed snoRNAs in Ovarian Cancer from RNA-Seq data
Notice bibliographique
Résumé
Non-coding RNAs (ncRNAs) are a large class of important regulatory molecules involved in many physiological and cellular processes. Small nucleolar RNAs (snoRNAs), a subset of the small ncRNAs, are molecules located in the cell nucleolus. Even though, they are one of the most ancient and evolutionary conserved ncRNAs, they are gaining more prominence and attention in the recent years only. The classical function of snoRNAs is to act as guide RNAs of rRNAs and nucleolytic processing of the rRNA transcripts. However several scientific evidences have indicated that other than the classical functions, they are involved in multiple functions such as metabolic stress regulation, modulation of alternative splicing, controlling cell behavior, etc. and the dysregulation of snoRNAs could contribute to carcinogenesis. Even though many independent works have been carried out, to examine the role of snoRNAs in several human diseases including cancer, specific projects to study the cumulative role of snoRNAs in a disease is limited. The advent of high throughput and deep sequencing technologies has opened up new avenues for carrying out such studies. This study focusses on the utilization of snoRNAs as potential biomarkers characteristic to ovarian cancer based on a RNA-Seq data. We have downloaded a transcriptome data, [PRJNA209481] from the NCBI BioProject, pertaining to human ovarian cancer cell lines. Downstream analysis was done by Tuxedo pipeline of RNA-Seq data analysis. The differential expression analysis by Cuffdiff threw a total of 847 differentially expressed genes, of which we found, 71 snoRNAs to be up regulated and 34 snoRNAs as down regulated. Many of the previously reported snoRNAs having a role in tumorigenesis in a variety of cancers are also seen to be dysregulated in this study. Further investigation is underway to analyze the effect of differentially expressed snoRNAs in ovarian cancer and their potential as biomarkers.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».