Notice bibliographique
Résumé
Emilia L Lim,1 Marco A Marra1,21Canada’s Michael Smith Genome Sciences Centre, BC Cancer Agency, Vancouver, BC, Canada; 2Department of Medical Genetics, University of British Columbia, Vancouver, BC, CanadaAbstract: B-cell non-Hodgkin lymphomas (NHLs) are lymphoproliferative disorders that can arise at different stages of B-cell development. Even though molecular classification of NHL has allowed for more accurate recognition of distinct aggressive lymphoma subtypes, many patients still fail to respond to standard therapy. As such, there is a need to identify biomarkers and therapeutic targets that can lead to more specific treatments for each NHL patient's disease. MicroRNAs (miRNAs) are small, 17–25 nt RNA molecules that regulate gene expression at the posttranscriptional level. miRNA expression and function is often coordinately dysregulated in NHL, and consequently results in each NHL disease type harboring a distinct miRNA expression signature. miRNA dysregulation may be a consequence of several mechanisms, ranging from dysregulation of the DNA sequences encoding the miRNA to transcriptional regulation of miRNA loci, to dysregulation of the miRNA biogenesis pathway or dysregulation of messenger RNA (mRNA) targets. This coordinated dysregulation of miRNA expression systematically results in the activation of several oncogenic pathways, and consequently the reprogramming of B-cell NHL transcriptomes. The widespread dysregulation of miRNAs suggests that miRNAs may be used as a diagnostic and prognostic tool, and also as actionable drug targets. In this review, we summarize the miRNA profiles of the most common B-cell NHLs, discuss the causes and consequences of miRNA dysregulation, and consider the prospects of miRNA-based biomarkers and therapeutic targets in NHL.Keywords: miRNA, non-Hodgkin lymphoma, dysregulation, therapy
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 | 0,000 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».