Identification of Novel Regulators of Radiosensitivity Using High-Throughput Genetic Screening
Notice bibliographique
Résumé
The biological impact of ionizing radiation (IR) on humans depends not only on the physical properties and absorbed dose of radiation but also on the unique susceptibility of the exposed individual. A critical target of IR is DNA, and the DNA damage response is a safeguard mechanism for maintaining genomic integrity in response to the induced cellular stress. Unrepaired DNA lesions lead to various mutations, contributing to adverse health effects. Cellular sensitivity to IR is highly correlated with the ability of cells to repair DNA lesions, in particular coding sequences of genes that affect that process and of others that contribute to preserving genomic integrity. However, accurate profiling of the molecular events underlying individual sensitivity requires techniques with sensitive readouts. Here we summarize recent studies that have used whole-genome analysis and identified genes that impact individual radiosensitivity. Whereas microarray and RNA-seq provide a snapshot of the transcriptome, RNA interference (RNAi) and CRISPR-Cas9 techniques are powerful tools that enable modulation of gene expression and characterizing the function of specific genes involved in radiosensitivity or radioresistance. Notably, CRISPR-Cas9 has altered the landscape of genome-editing technology with its increased readiness, precision, and sensitivity. Identifying critical regulators of cellular radiosensitivity would help tailor regimens that enhance the efficacy of therapeutic treatments and fast-track prediction of clinical outcomes. It would also contribute to occupational protection based on average individual sensitivity, as well as the formulation of countermeasures to the harmful effects of radiation.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».