Identifying Hepatocellular Carcinoma Driver Genes by Integrative Pathway Crosstalk and Protein Interaction Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In this study, we mined out hepatocellular carcinoma (HCC) driver genes from MEDLINE literatures by bioinformatics methods of pathway crosstalk and protein interaction network. Furthermore, the relationship between driver genes and their clinicopathological characteristics, as well as classification effectiveness was verified in the public databases. We identified 560 human genes reported to be associated with HCC in 1074 published articles. Functional analysis revealed that biological processes and biochemical pathways relating to tumor pathogenesis, cancer disease, tumor cell molecule, and hepatic disease were enriched in these genes. Pathway crosstalk analysis indicated that significant pathways could be divided into three modules: cancer disease, virus infection, and tumor signaling pathway. The HCC-related protein-protein interaction network comprised 10,212 nodes, and 56,400 edges were mined out to identify 18 modules corresponding to 14 driver genes. We verified that these 14 driver genes have high classification effectiveness to distinguish cancer samples from normal samples and the classification effectiveness was better than that of randomly selected genes. Present study provided pathway crosstalk and protein interaction network for understanding potential tumorigenesis genes underlying HCC. The 14 driver genes identified from this study are of great translational value in HCC diagnosis and treatment, as well as in clinical study on the pathogenesis of HCC.
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.
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 découle