MétaCan
Menu
Retour à la cohorte
Enregistrement W2766412319 · doi:10.1177/1179299x17737301

Long Noncoding RNAs as a Key Player in Hepatocellular Carcinoma

2017· review· en· W2766412319 sur OpenAlexaff
Mrigaya Mehra, Ranjit Chauhan

Notice bibliographique

RevueBiomarkers in Cancer · 2017
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCancer-related molecular mechanisms research
Établissements canadiensMemorial University of Newfoundland
Organismes subventionnairesnon disponible
Mots-clésHepatocellular carcinomaLong non-coding RNABiologyMalignancyComputational biologyGeneCancer researchmicroRNANon-coding RNABioinformaticsRNAGenetics

Résumé

récupéré en direct d'OpenAlex

Hepatocellular carcinoma (HCC) is a major malignancy in the liver and has emerged as one of the main cancers in the world with a high mortality rate. However, the molecular mechanisms of HCC are still poorly understood. Long noncoding RNAs (lncRNAs) have recently come to the forefront as functional non-protein-coding RNAs that are involved in a variety of cellular processes ranging from maintaining the structural integrity of chromosomes to gene expression regulation in a spatiotemporal manner. Many recent studies have reported the involvement of lncRNAs in HCC which has led to a better understanding of the underlying molecular mechanisms operating in HCC. Long noncoding RNAs have been shown to regulate development and progression of HCC, and thus, lncRNAs have both diagnostic and therapeutic potentials. In this review, we present an overview of the lncRNAs involved in different stages of HCC and their potential in clinical applications which have been studied so far.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
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 enseignants0,985
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,088
Tête enseignante GPT0,401
Écart entre enseignants0,312 · 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 tête enseignante, pas un consensus.

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

Citations40
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBiomarkers in CancerMême sujetCancer-related molecular mechanisms researchTravaux en français237 207