MétaCan
Menu
Retour à la cohorte
Enregistrement W3044627739 · doi:10.3390/cancers12082071

Circulating miR-16-5p, miR-92a-3p, and miR-451a in Plasma from Lung Cancer Patients: Potential Application in Early Detection and a Regulatory Role in Tumorigenesis Pathways

2020· article· en· W3044627739 sur OpenAlexafffund
Patrícia P. Reis, Sandra A. Drigo, Robson Francisco Carvalho, Rainer Marco López Lapa, Tainara F. Felix, Devalben Patel, Dangxiao Cheng, Melania Pintilie, Geoffrey Liu, Ming‐Sound Tsao

Notice bibliographique

RevueCancers · 2020
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMicroRNA in disease regulation
Établissements canadiensUniversity of TorontoPrincess Margaret Cancer CentreUniversity Health Network
Organismes subventionnairesCanadian Institutes of Health ResearchFundação de Amparo à Pesquisa do Estado de São PauloPrincess Margaret Cancer Foundation
Mots-clésmicroRNACarcinogenesisLung cancerCancer researchMedicineOncologyCancerInternal medicineBiologyGeneGenetics

Résumé

récupéré en direct d'OpenAlex

Background: Micro(mi)RNAs, potent gene expression regulators associated with tumorigenesis, are stable, abundant circulating molecules, and detectable in plasma. Thus, miRNAs could potentially be useful in early lung cancer detection. We aimed to identify circulating miRNA signatures in plasma from patients with lung adenocarcinoma (LUAD) and lung squamous cell carcinoma (LUSC), and to verify whether miRNAs regulate lung oncogenesis pathways. Methods: RNA isolated from 139 plasma samples (40 LUAD, 38 LUSC; 61 healthy/non-diseased individuals) were divided into discovery (38 patients; 21 controls for expression quantification using an 800-miRNA panel; Nanostring nCounter®) and validation (40 patients; 40 controls; TaqMan® RT-qPCR) cohorts. Elastic net, Maximizing-R-Square Analysis (MARSA), and C-Statistics were applied for miRNA signature identification. Results: When compared to healthy individuals, 580 of 606 deregulated miRNAs in LUAD and 221 of 226 deregulated miRNAs in LUSC had significantly increased levels. Among the 10 most significantly overexpressed miRNAs, 6 were common to patients with LUAD and LUSC. Further analysis identified three signatures composed of 12 miRNAs. Signatures included miRNAs commonly overexpressed in patient plasma. Enriched pathways included target genes modulated by three miRNAs in the C-Statistics signature: miR-16-5p, miR-92a-3p, and miR-451a. Conclusions: The 3-miRNA signature (miR-16-5p, miR-92a-3p, miR-451a) had high specificity (100%) and sensitivity (84%) to predict cancer (LUAD and LUSC). These miRNAs are predicted to modulate genes and pathways with known roles in lung tumorigenesis, including EGFR, K-RAS, and PI3K/AKT signaling, suggesting that the 3-miRNA signature is biologically relevant in adenocarcinoma and squamous cell carcinoma of the lung.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,654
Score d'incertitude au seuil0,770

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,203
Écart entre enseignants0,198 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations59
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCancersMême sujetMicroRNA in disease regulationTravaux en français237 207