Construction and Analysis of the lncRNA-miRNA-mRNA Network Based on Competing Endogenous RNA in Atrial Fibrillation
Notice bibliographique
Résumé
BACKGROUND: Accumulated studies have revealed that long non-coding RNAs (lncRNAs) play critical roles in human diseases by acting as competing endogenous RNAs (ceRNAs). However, functional roles and regulatory mechanisms of lncRNA-mediated ceRNA in atrial fibrillation (AF) remain unknown. In the present study, we aimed to construct the lncRNA-miRNA-mRNA network based on ceRNA theory in AF by using bioinformatic analyses of public datasets. METHODS: Microarray data sets of GSE115574 and GSE79768 from the Gene Expression Omnibus database were downloaded. Twenty-one AF right atrial appendage (RAA) samples and 22 sinus rhythm (SR) subjects RAA samples were selected for subsequent analyses. After merging all microarray data and adjusting for batch effect, differentially expressed genes were identified. Gene Ontology (GO) categories and Kyoto Encyclopedia of Genes and Genomes (KEGG) pathway enrichment analyses were carried out. A ceRNA network was constructed. RESULT: < 0.05) in RAA samples of AF patients when compared with SR. GO and KEGG pathway analysis showed that cardiac muscle contraction pathway were involved in AF development. The ceRNA was predicted by co-expressing LOC101928304/ LRRC2 from the constructional network analysis, which was competitively combined with miR-490-3p. The expression of LOC101928304 and LRRC were up-regulated in myocardial tissue of patients with AF, while miR-490-3p was down-regulated. CONCLUSION: We constructed the LOC101928304/miR-490-3p/LRRC2 network based on ceRNA theory in AF in the bioinformatic analyses of public datasets. The ceRNA network found from this study may help improve our understanding of lncRNA-mediated ceRNA regulatory mechanisms in the pathogenesis of AF.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 ».