Classifying Lung Neuroendocrine Neoplasms through MicroRNA Sequence Data Mining
Notice bibliographique
Résumé
Lung neuroendocrine neoplasms (NENs) can be challenging to classify due to subtle histologic differences between pathological types. MicroRNAs (miRNAs) are small RNA molecules that are valuable markers in many neoplastic diseases. To evaluate miRNAs as classificatory markers for lung NENs, we generated comprehensive miRNA expression profiles from 14 typical carcinoid (TC), 15 atypical carcinoid (AC), 11 small cell lung carcinoma (SCLC), and 15 large cell neuroendocrine carcinoma (LCNEC) samples, through barcoded small RNA sequencing. Following sequence annotation and data preprocessing, we randomly assigned these profiles to discovery and validation sets. Through high expression analyses, we found that miR-21 and -375 are abundant in all lung NENs, and that miR-21/miR-375 expression ratios are significantly lower in carcinoids (TC and AC) than in neuroendocrine carcinomas (NECs; SCLC and LCNEC). Subsequently, we ranked and selected miRNAs for use in miRNA-based classification, to discriminate carcinoids from NECs. Using miR-18a and -155 expression, our classifier discriminated these groups in discovery and validation sets, with 93% and 100% accuracy. We also identified miR-17, -103, and -127, and miR-301a, -106b, and -25, as candidate markers for discriminating TC from AC, and SCLC from LCNEC, respectively. However, these promising findings require external validation due to sample size.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».