Mutations in normal tissues—some diagnostic and clinical implications
Notice bibliographique
Résumé
BACKGROUND: It has long been known that mutations are at the core of many diseases, most notably cancer. Mutational analysis of tissues and fluids is useful for cancer and other disease diagnosis and management. MAIN BODY: The prevailing cancer development hypothesis posits that cancer originates from mutations in cancer-driving genes that accumulate in tissues over time. These mutations then confer special characteristics to cancer cells, known as the hallmarks of cancer. Mutations in specific driver genes can lead to the formation of cancerous subclones and mutation risk increases with age. New research has revealed an unexpectedly large number of mutations in normal tissues; these findings could have significant implications to the understanding of the pathobiology of cancer and for disease diagnosis and therapy. Here, we discuss how the prevalence of mutations in normal tissues provides novel and relevant insights about clonal development in cancer and other diseases. Specifically, this review will focus on discussing mutations in normal tissues in the context of developing specific, circulating tumor DNA (ctDNA) tests for cancer, and evaluating clonal hematopoiesis as a predictor of blood cancers and cardiovascular pathology, as well as their implications to the phenomena of neural mosaicism in the context of Alzheimer's disease. CONCLUSIONS: In view of these new findings, the fundamental differences between the accumulation of genetic alterations in healthy, aging tissues compared to cancer and cardiovascular or neural diseases will need to be better delineated in the future.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».