The differential expression of micro-RNAs 21, 200c, 204, 205, and 211 in benign, dysplastic and malignant melanocytic lesions and critical evaluation of their role as diagnostic biomarkers
Notice bibliographique
Résumé
Overlapping histological features between benign and malignant lesions and a lack of firm diagnostic criteria for malignancy result in high rates of inter-observer variation in the diagnosis of melanocytic lesions. We aimed to investigate the differential expression of five miRNAs (21, 200c, 204, 205, and 211) in benign naevi (n = 42), dysplastic naevi (n = 41), melanoma in situ (n = 42), and melanoma (n = 42) and evaluate their potential as diagnostic biomarkers of melanocytic lesions. Real-time PCR showed differential miRNA expression profiles between benign naevi; dysplastic naevi and melanoma in situ; and invasive melanoma. We applied a random forest machine learning algorithm to classify cases based on their miRNA expression profiles, which resulted in a ROC curve analysis of 0.99 for malignant melanoma and greater than 0.9 for all other groups. This indicates an overall very high accuracy of our panel of miRNAs as a diagnostic biomarker of benign, dysplastic, and malignant melanocytic lesions. However, the impact of variable lesion percentage and spatial expression patterns of miRNAs on these real-time PCR results was also considered. In situ hybridisation confirmed the expression of miRNA 21 and 211 in melanocytes, while demonstrating expression of miRNA 205 only in keratinocytes, thus calling into question its value as a biomarker of melanocytic lesions. In conclusion, we have validated some miRNAs, including miRNA 21 and 211, as potential diagnostic biomarkers of benign, dysplastic, and malignant melanocytic lesions. However, we also highlight the crucial importance of considering tissue morphology and spatial expression patterns when using molecular techniques for the discovery and validation of new biomarkers.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».