MétaCan
Menu
Retour à la cohorte
Enregistrement W4298353256 · doi:10.1002/hep.22641

AASLD Abstracts 220-442

2008· article· et· W4298353256 sur OpenAlexaff
Fanyin Meng, Chiara Braconi, Lyudmila Khrapenko, Tushar Patel, Alphonse E. Sirica, Zichen Zhang, Deanna J. Campbell, Susie Lee, Coral Ho, Xin Chen, Chang Han, William C. Bowen, George K. Michalopoulos, Tong Wu, Mike A. Leonis, Angela M. Longmeier, Jeremy Gibson, Susan E. Waltz, Natalia Pediconi, Stefania Vossio, Valeria Schinzari, Teresa Pollicino, Giuseppe Montalto, Melchiorre Cervello, Giovanni Raimondo, Massimo Levrero, Gio- Vanni Raimondo, Karin E. R. Gooijert, Rick Havinga, Henk Wolters, Renxue Wang, Victor Ling, Susumu Tazuma, Henkjan J. Verkade

Notice bibliographique

RevueHepatology · 2008
Typearticle
Langueet
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetic and Kidney Cyst Diseases
Établissements canadiensBC Cancer Agency
Organismes subventionnairesnon disponible
Mots-clésCitationMedicineLibrary scienceInformation retrievalWorld Wide WebComputer science

Résumé

récupéré en direct d'OpenAlex

Background: Autocrine expression of Interleukin-6 (IL-6) contributes to cholangiocarcinoma growth. IL-6 can modulate the expression of miRNA involved in tumor growth, and can also alter the expression of DNA methyltransferase 1 (DNMT-1). Alterations in DNMT-1 can epigenetically regulate the expression of tumor suppressor genes. Thus, our aim was to evaluate the role of IL-6 dependent miRNA on modulation of DNMT-1 and tumor suppressor gene expression in cholangiocarcinoma. Methods: Mz-ChA-1, KMCH-1, TFK-1 malignant and H69 nonmalignant cholangiocytes were used. Tumor cells were stably transfected to over-express IL-6. miRNA profiling was performed using a microarray and the expression of selected mature miRNA verified using real-time PCR. Luciferase reporter constructs were used to assess direct effects of miRNA at sites on DNMT-1 3'-UTR. Precursors to miRNA were used to enhance cellular expression. miRNA target prediction was performed using PicTar and Miranda databases. DNMT-1, p16INK4A and Rassf1a expression were assessed by western blot analysis. Results: miR-148a, miR-152 and miR-301 have sequence complementarity to the 3'-UTR of DNMT-1. Relative to non-malignant H69 cells, expression of miR-148a, miR-152 and miR-301 was decreased in Mz-ChA-1 cells by 0.25 0.03-fold, 0.23 0.02fold, and 0.07 0.01-fold. Similar changes were noted in KMCH-1 and TFK cells. Expression of both miR-148a and miR-152 was decreased in IL-6 over-expressing tumor cells compared to controls in vitro (miR-148a: 0.2 0.1-fold; miR-152: 0.1 0.1-fold) and in tumor cell xenografts in vivo (miR-148a: 0.6 0.1-fold; miR-152: 0.6 0.1-fold). There was a concomitant decrease in several methylation-sensitive tumor suppressor genes including Rassf1a, and p16INK4a. DNMT-1 was verified as a direct target for miR-148a and miR-152. miR-148a decreased DNMT-1 expression by 75 2% in Mz-ChA-1 and 62 9% in KMCH-1 cells, and reduced cell proliferation in both cell lines. miR-152 also reduced prolfieration and decreased DNMT-1 expression by 58 6 % and 62 9% in Mz-ChA-1 and KMCH-1 cells respectively. Enforced expression of either miR-148a or miR-152 also increased expression of Rassf1a and p16INK4a activation. Summary and Conclusions: We report for the first time that IL-6 can (a) regulate DNMT1 expression by modulation of microRNAs miR-148a and miR-152, and (b) alter the expression of methylation dependent tumor suppressor genes Rassf1a and p16INK4a. These studies provide a direct link between IL-6 and epigenetic regulation of oncogenic pathways and justify targeting IL-6 for the prevention or treatment of cholangiocarcinoma.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,256
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,235
Écart entre enseignants0,218 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHepatologyMême sujetGenetic and Kidney Cyst DiseasesTravaux en français237 207