Breast Cancer Cell Secretome Analysis to Decipher miRNA Tumor Biology and Discover Potential Biomarkers
Notice bibliographique
Résumé
Abstract MicroRNA (miRNA/miR) miR526b and miR655 overexpressed tumor cell free secretions promote breast cancer phenotypes in the tumor microenvironment (TME). However, the mechanisms of miRNA regulating TME have never been investigated. With mass spectrometry analysis of MCF7-miRNA-overexpressed versus miRNA-low MCF7-Mock tumor cell secretomes we identified 34 novel secretory proteins coded by eight genes YWHAB, TXNDC12, MYL6B, SFN, FN1, PSMB6, PRDX4, and PEA15 differentially regulated. We performed bioinformatic analysis and used systems biology approaches to identify these markers’ role in breast cancer. Gene ontology analysis showed that the top functions are related to apoptosis, oxidative stress, membrane transport, and motility, supporting miRNA-induced phenotypes. In breast tumors these secretory markers expression is high and a strong positive correlation exists between upregulated markers’ mRNA expressions with miRNA cluster expression in luminal A breast tumors. Gene expression of secretome markers are higher in tumor tissues compared to normal samples, and immunohistochemistry data supported gene expression data. Moreover, both up and downregulated marker expressions are associated with breast cancer patient survival. miRNA regulates these marker protein expressions by targeting transcription factors of these genes. Premature miRNA (pri-miR526b and pri-miR655) are established breast cancer blood biomarkers. Here we report novel secretory markers upregulated by miR526b and miR655 (YWHAB, MYL6B, PSMB6, and PEA15) are significantly upregulated in breast cancer patients’ plasma, and are potential breast cancer biomarkers.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».