Temporal Stability and Prognostic Biomarker Potential of the Prostate Cancer Urine miRNA Transcriptome
Notice bibliographique
Résumé
BACKGROUND: The development of noninvasive tests for the early detection of aggressive prostate tumors is a major unmet clinical need. miRNAs are promising noninvasive biomarkers: they play essential roles in tumorigenesis, are stable under diverse analytical conditions, and can be detected in body fluids. METHODS: We measured the longitudinal stability of 673 miRNAs by collecting serial urine samples from 10 patients with localized prostate cancer. We then measured temporally stable miRNAs in an independent training cohort (n = 99) and created a biomarker predictive of Gleason grade using machine-learning techniques. Finally, we validated this biomarker in an independent validation cohort (n = 40). RESULTS: We found that each individual has a specific urine miRNA fingerprint. These fingerprints are temporally stable and associated with specific biological functions. We identified seven miRNAs that were stable over time within individual patients and integrated them with machine-learning techniques to create a novel biomarker for prostate cancer that overcomes interindividual variability. Our urine biomarker robustly identified high-risk patients and achieved similar accuracy as tissue-based prognostic markers (area under the receiver operating characteristic = 0.72, 95% confidence interval = 0.69 to 0.76 in the training cohort, and area under the receiver operating characteristic curve = 0.74, 95% confidence interval = 0.55 to 0.92 in the validation cohort). CONCLUSIONS: These data highlight the importance of quantifying intra- and intertumoral heterogeneity in biomarker development. This noninvasive biomarker may usefully supplement invasive or expensive radiologic- and tissue-based assays.
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 | 0,000 | 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 ».