MétaCan
Menu
Retour à la cohorte
Enregistrement W3125229999 · doi:10.22631/ijbmph.2019.186711.1111

Identification of key genes in breast cancer cell line under hypoxia condition: A bioinformatics analysis

2020· article· en· W3125229999 sur OpenAlexaff
Ehsan Sohrabi, Nafiseh Behranvand, Masoumeh Moslemi, Afshin Namdar, Pouria Khani

Notice bibliographique

RevueInternational Journal of Biomedicine and Public Health · 2020
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueBioinformatics and Genomic Networks
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésGeneBiologyKEGGGene expressionMicroarray analysis techniquesComputational biologyMicroarrayGene expression profilingBioinformaticsGeneticsDatabaseTranscriptomeComputer science

Résumé

récupéré en direct d'OpenAlex

Introduction:The present study attempted to investigate the key pathways and genes which are associated with hypoxia in the human breast carcinoma cell line MDA-MB-231 with searched in gene expression omnibus (GEO) database for mRNA microarray data of MDA-MB-231 in normal and hypoxia condition. Methods: Three GEO datasets GSE37340, GSE39042, and GSE42416 were downloaded from the Gene Expression Omnibus (GEO) database that these GEO profiles have of 9 cell lines in hypoxia condition and eight cell lines in normal condition. The differentially expressed genes (DEGs) between MDA-MB-231 cell line in hypoxia and normal condition were analyzed by Geo2R software. Next, all the differentially expressed genes (DEGs) with p<0.05 and fold change ≥1 or ≤-1 was identified. Among all the differentially expressed genes, only 32 genes were at least in two datasets (31 up regulated and 1 down regulated) after gene integration. Moreover, DEGs ontology terms, Kyoto Encyclopedia and Genomes pathways were analyzed using EnrichR database. Subsequently, a protein-protein interaction network was constructed using STRING and MCODE software. Finally, the survival analyses performed with Kaplan Meier-plotter (KM) online dataset. Results: Thirty-two genes were found to be at least two datasets (i.e., SLC2A3, BNIP3, ENO2, PFKFB3, PLOD2, SLC2A1, HK2, ADM, etc.) that two genes among up regulated genes (HK2, ADM) were expressed in all three datasets. Conclusion: These identified genes and pathways could help to understand the mechanism of development of (Triple-negative breast cancer) TNBC under hypoxia condition. Also HK2, ADM, CENP family, might be promising targets for the TNBC treatment.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

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 Opus0,018
Tête enseignante GPT0,300
Écart entre enseignants0,282 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations2
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Biomedicine and Public HealthMême sujetBioinformatics and Genomic NetworksTravaux en français237 207