Pan-cancer analysis of non-coding transcripts reveals the prognostic onco-lncRNA HOXA10-AS in gliomas
Notice bibliographique
Résumé
Long non-coding RNAs (lncRNAs) are increasingly recognized as functional units in cancer and powerful biomarkers; however, most remain uncharacterized. Here, we analyze 5,592 prognostic lncRNAs in 9,446 cancers of 30 types using machine learning. We identify 166 lncRNAs whose expression correlates with survival and improves the accuracy of common clinical variables, molecular features, and cancer subtypes. Prognostic lncRNAs are often characterized by switch-like expression patterns. In low-grade gliomas, HOXA10-AS activation is a robust marker of poor prognosis that complements IDH1/2 mutations, as validated in another retrospective cohort, and correlates with developmental pathways in tumor transcriptomes. Loss- and gain-of-function studies in patient-derived glioma cells, organoids, and xenograft models identify HOXA10-AS as a potent onco-lncRNA that regulates cell proliferation, contact inhibition, invasion, Hippo signaling, and mitotic and neuro-developmental pathways. Our study underscores the pan-cancer potential of the non-coding transcriptome for identifying biomarkers and regulators of cancer progression.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 ».