Computational Identification of RNA-Seq Based miRNA-Mediated Prognostic Modules in Cancer
Notice bibliographique
Résumé
Systematic identification of miRNA prognostic signature can help decipher the effects of biomarkers in cancer treatment. A number of previous studies have only characterized a single miRNA as a promising prognostic biomarker. There is currently a trend toward combining several miRNAs as a panel of prognostic signatures, but few attempts to explain the mechanism of miRNA combination. Throughout this paper, we refer to "miRNA-mediated prognostic modules" and propose a novel computational approach called ProModule to analyze prognostic biomarkers from the module perspective. ProModule works in two main stages: it first uses univariate and multivariable Cox proportional hazard regressions to find individual miRNA biomarkers and then employs a clustering method to systematically detect miRNA-mediated modules with statistical prognostic significance. We applied ProModule to three data sets in bladder cancer, breast cancer, and liver cancer, and identified several miRNA prognostic modules for each data set. We found that miRNA prognostic modules have more powerful prognostic value than individuals while presenting coherent miRNA-miRNA expression as well as significant functional enrichment, and thus are likely to be biologically meaningful. Availability: ProModule is implemented in R and available at https://github.com/chupan1218/ProModule.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».