MétaCan
Menu
Retour à la cohorte
Enregistrement W2766971658 · doi:10.3389/fonc.2017.00255

microRNAs and Acute Myeloid Leukemia Chemoresistance: A Mechanistic Overview

2017· review· en· W2766971658 sur OpenAlexafffund
Martino Gabra, Leonardo Salmena

Notice bibliographique

RevueFrontiers in Oncology · 2017
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMicroRNA in disease regulation
Établissements canadiensPrincess Margaret Cancer CentreUniversity Health NetworkUniversity of Toronto
Organismes subventionnairesCanada Research Chairs
Mots-clésMyeloid leukemiamicroRNALeukemiaMedicineCancer researchComputational biologyBioinformaticsBiologyImmunologyGeneticsGene

Résumé

récupéré en direct d'OpenAlex

Up until the early 2000s, a functional role for microRNAs (miRNAs) was yet to be elucidated. With the advent of increasingly high-throughput and precise RNA-sequencing techniques within the last two decades, it has become well established that miRNAs can regulate almost all cellular processes through their ability to post-transcriptionally regulate a majority of protein-coding genes and countless other non-coding genes. In cancer, miRNAs have been demonstrated to play critical roles by modifying or controlling all major hallmarks including cell division, self-renewal, invasion, and DNA damage among others. Before the introduction of anthracyclines and cytarabine in the 1960s, acute myeloid leukemia (AML) was considered a fatal disease. In decades since, prognosis has improved substantially; however, long-term survival with AML remains poor. Resistance to chemotherapy, whether it is present at diagnosis or induced during treatment is a major therapeutic challenge in the treatment of this disease. Certain mechanisms such as DNA damage response and drug targeting, cell cycling, cell death, and drug trafficking pathways have been shown to be further dysregulated in treatment resistant cancers. miRNAs playing key roles in the emergence of these drug resistance phenotypes have recently emerged and replacement or inhibition of these miRNAs may be a viable treatment option. Herein, we describe the roles miRNAs can play in drug resistant AML and we describe miRNA-transcript interactions found within other cancer states which may be present within drug resistant AML. We describe the mechanisms of action of these miRNAs and how they can contribute to a poor overall survival and outcome as well. With the precision of miRNA mimic- or antagomir-based therapies, miRNAs provide an avenue for exquisite targeting in the therapy of drug resistant cancers.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
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 seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,353
Écart entre enseignants0,315 · 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

Citations99
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in OncologyMême sujetMicroRNA in disease regulationTravaux en français237 207