A Network Biology Approach to Understanding the Tissue-Specific Roles of Non-Coding RNAs in Arthritis
Notice bibliographique
Résumé
Discovery of non-coding RNAs continues to provide new insights into some of the key molecular drivers of musculoskeletal diseases. Among these, microRNAs have received widespread attention for their roles in osteoarthritis and rheumatoid arthritis. With evidence to suggest that long non-coding RNAs and circular RNAs function as competing endogenous RNAs to sponge microRNAs, the net effect on gene expression in specific disease contexts can be elusive. Studies to date have focused on elucidating individual long non-coding-microRNA-gene target axes and circular RNA-microRNA-gene target axes, with a paucity of data integrating experimentally validated effects of non-coding RNAs. To address this gap, we curated recent studies reporting non-coding RNA axes in chondrocytes from human osteoarthritis and in fibroblast-like synoviocytes from human rheumatoid arthritis. Using an integrative computational biology approach, we then combined the findings into cell- and disease-specific networks for in-depth interpretation. We highlight some challenges to data integration, including non-existent naming conventions and out-of-date databases for non-coding RNAs, and some successes exemplified by the International Molecular Exchange Consortium for protein interactions. In this perspective article, we suggest that data integration is a useful in silico approach for creating non-coding RNA networks in arthritis and prioritizing interactions for further in vitro and in vivo experimentation in translational research.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».