Differential Expression and miRNA–Gene Interactions in Early and Late Mild Cognitive Impairment
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
Mild cognitive impairment (MCI) and Alzheimer’s Disease (AD) are complex diseases with their molecular architecture not elucidated. APOE, Amyloid Beta Precursor Protein (APP), and Presenilin-1 (PSEN1) are well-known genes associated with both MCI and AD. Recently, epigenetic alterations and dysregulated regulatory elements, such as microRNAs (miRNAs), have been reported associated with neurodegeneration. In this study, differential expression analysis (DEA) was performed for genes and miRNAs based on microarray and RNA-Seq data. Global gene profile of healthy individuals, early and late mild cognitive impairment (EMCI and LMCI, respectively), and AD was obtained from ADNI Cohort. miRNA global profile of healthy individuals and AD patients was extracted from public RNA-Seq data. DEA performed with limma package on ADNI Cohort data highlighted eight differential expressed (DE) genes (AGER, LINC00483, MMP19, CATSPER1, ARFGAP1, GPER1, PHLPP2, TRPM2) (false discovery rate (FDR) p-value < 0.05) between EMCI and LMCI patients. Previous molecular studies showed associations between these genes with dementia and neurological-related pathways. Five dysregulated miRNAs were identified by DEA performed with RNA-Seq data and edgeR (FDR p-value < 0.002). All reported miRNAs in AD interact with the aforementioned genes. Our integrative transcriptomic analysis was able to identify a set of miRNA–gene interactions that may be involved in cognitive and neurodegeneration processes.
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