Gene modules and non-coding RNAs involved in pancreatic tumorigenesis through acinar ductal metaplasia
Notice bibliographique
Résumé
Abstract Background Acinar ductal metaplasia (ADM) can progress through pancreatic ductal carcinoma in situ (PanIN) to pancreatic ductal adenocarcinoma (PDAC). However, the genetic alterations and its transcriptional regulators during the process of ADM-driven PDAC tumorigenesis are largely unknown. Therefore, we applied a multidimensional integration strategy to unveil the gene modules and non-coding RNAs that drives the ADM-PanIN-PDAC process. Methods GSE40895 and the microarray datasets were integrated to unmask the regulators link ADM, PanIN and PDAC. Based on the differential expressed genes and protein–protein interaction (PPI) networks for each stage, Overlap and crosstalk gene modules in ADM-PanIN-PDAC were identified using STRING and Cytoscape. Function of these modules were elucidated by gene ontology analysis. Expression level of hub genes and survival analysis were investigated in human PDAC via GEPIA. MiRDB database was applied to predict potential non-coding RNAs (ncRNAs) capable of regulating overlap and crosstalk genes. Results We found several bridging ADM gene modules (e.g. SMARCA1 and H2AFZ), PanIN gene modules (e.g. HDAC11 and SMARCA2) and PDAC gene modules (e.g. OLFR239 and CLIP3). They were enriched in in nucleosome assembly, chromatin organization and G-protein coupled receptor signaling pathway by GO analysis. MicroRNAs (e.g. mmu-miR-335-5p and mmu-miR-669n) and lncRNAs (e.g. H19 and Gm14207) took part in this ample crosstalk by regulating the gene expression. Conclusions SMARCA1, SMARCA2 and CLIP3 were identified as novel crosstalk genes and significant prognostic biomarkers, providing new insights into ADM-driven PDAC carcinogenesis. Transcriptional regulatory non-coding RNAs targeting crosstalk and overlap genes appear promising for early PDAC intervention.
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 | 0,017 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».