Comparative Study of Transcriptomic profiling and Functional enrichment in Ovarian Cancer Cell lines
Notice bibliographique
Résumé
High-throughput cDNA sequencing (RNA-seq) has emerged as a sophisticated tool for transcriptomic studies, especially for identifying differentially expressed genes (DEGs) and measuring the transcripts between different sample groups or conditions. There are several pipelines and tools available for performing the task, but still there is no general consent for the protocol to be used for the analysis. In this comparative study, transcriptomic profiling of Ovarian cancer cell lines data sets were carried out by using two different pipelines- ‘Tuxedo’ protocol (Tophat, Cuflinks-Cuffdiff, CummerBund) and ‘new Tuxedo’ protocol (HISAT, StringTie, Desq2) were used for estimating the transcript abundancies and for analysing differential expression. ‘New Tuxedo’ protocol was found to be fast and efficient than ‘Tuxedo’ protocol and the run time on an 8 GB RAM PC was ~ 2 hr and ~ 6 days, respectively. A total of 613 and 371 DEGs were obtained by using ‘Tuxedo’ and ‘New Tuxedo’ pipeline, respectively. Functional profiling was performed, by a comparative study of high throughput functional enrichment tools (clueGO, DAVID, EnRichr, FunRich, gProfiler, GSEA, PANTHER and webGestalt) to get the functions and pathways of most enriched genes involved in ovarian cancer cell lines. The common biological pathways and Gene Ontology (GO) terms were extracted with common genes from all the tools to get most enriched genes with the GO functional terms. Thus, the characterization of biological pathway and GO processes (Biological processes and Molecular Function) of most enriched gene sets involved in ovarian cancer cell lines were obtained.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».