A set of microRNAs coordinately controls tumorigenesis, invasion, and metastasis
Notice bibliographique
Résumé
MicroRNA-mediated gene regulation has been implicated in various diseases, including cancer. This study examined the role of microRNAs (miRNAs) during tumorigenesis and malignant progression of pancreatic neuroendocrine tumors (PanNETs) in a genetically engineered mouse model. Previously, a set of miRNAs was observed to be specifically up-regulated in a highly invasive and metastatic subtype of mouse and human PanNET. Using functional assays, we now implicate different miRNAs in distinct phenotypes: miR-137 stimulates tumor growth and local invasion, whereas the miR-23b cluster enables metastasis. An algorithm, Bio-miRTa, has been developed to facilitate the identification of biologically relevant miRNA target genes and applied to these miRNAs. We show that a top-ranked miR-137 candidate gene, Sorl1 , has a tumor suppressor function in primary PanNETs. Among the top targets for the miR-23b cluster, Acvr1c/ALK7 has recently been described to be a metastasis suppressor, and we establish herein that it is down-regulated by the miR-23b cluster, which is crucial for its prometastatic activity. Two other miR-23b targets, Robo2 and P2ry1 , also have demonstrable antimetastatic effects. Finally, we have used the Bio-miRTa algorithm in reverse to identify candidate miRNAs that might regulate activin B, the principal ligand for ALK7, identifying thereby a third family of miRNAs—miRNA-130/301—that is congruently up-regulated concomitant with down-regulation of activin B during tumorigenesis, suggestive of functional involvement in evasion of the proapoptotic barrier. Thus, dynamic up-regulation of miRNAs during multistep tumorigenesis and malignant progression serves to down-regulate distinctive suppressor mechanisms of tumor growth, invasion, and metastasis.
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 ».