Investigating miRNA-related Pathways Contributing to Kidney Cancer Pathogenesis
Notice bibliographique
Résumé
BACKGROUND/AIM: Renal cell carcinoma is one of the most common types of cancer worldwide. Understanding tumor pathogenesis is important in developing better treatment. Micro RNAs (miRNAs) are key players in controlling cancer behavior. Transcription factors (TFs) are potentially responsible for controlling miRNA expression and dysregulation in kidney cancer. The objective of this study was to better understand the TF-miRNA axis of interaction. MATERIALS AND METHODS: We utilized publicly available databases to investigate miRNA-TF interactions, including ChipBase database for TFs that binds to the promoters of miRNAs which are dysregulated in renal cell carcinoma. Renal cancer-specific TFs were extracted from the list using the GENT Database. We assessed the prognostic significance of these TFs using cBioPortal. RESULTS: We identified TFs which bind to miRNA promoters, including hepatocyte nuclear factor-4 alpha (HNF-4α), E2F transcription factor 4 (E2F4), signal transducer and activator of transcription 1 (STAT1), Sp1 transcription factor (SP1), GATA binding protein 6 (GATA6), and nuclear factor kappa B (NFκB). These TFs were positively correlated with their targeted miRNAs, including miR-200c, miR-15a, miR-146b, miR-155, and miR-223. We recognized unique patterns of interactions, including a divergent effect in which multiple miRNAs are simultaneously affected by the same TF. CONCLUSION: Our results show that miRNA-TF interaction is complex. Expression levels of these TFs were found to correlate with renal carcinoma prognosis and have potential utility as biomarkers for aggressive tumor behavior. Targeting these TFs may result in modulating the expression of their target genes and miRNAs, with subsequent therapeutic implications.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».