Cancer cells hijack RNA processing to rewrite the message
Notice bibliographique
Résumé
Typically, cancer is thought to arise due to DNA mutations, dysregulated transcription and/or aberrant signalling. Recently, it has become clear that dysregulated mRNA processing, mRNA export and translation also contribute to malignancy. RNA processing events result in major modifications to the physical nature of mRNAs such as the addition of the methyl-7-guanosine cap, the removal of introns and the addition of polyA tails. mRNA processing is a critical determinant for the protein-coding capacity of mRNAs since these physical changes impact the efficiency by which a given transcript can be exported to the cytoplasm and translated into protein. While many of these mRNA metabolism steps were considered constitutive housekeeping activities, they are now known to be highly regulated with combinatorial and multiplicative impacts i.e. one event will influence the capacity to undergo others. Furthermore, alternative splicing and/or cleavage and polyadenylation can produce transcripts with alternative messages and new functionalities. The coordinated processing of groups of functionally related RNAs can potently re-wire signalling pathways, modulate survival pathways and even re-structure the cell. As postulated by the RNA regulon model, combinatorial regulation of these groups is achieved by the presence of shared cis-acting elements (known as USER codes) which recruit machinery for processing, export or translation. In all, dysregulated RNA metabolism in cancer gives rise to an altered proteome that in turn elicits biological responses related to malignancy. Studies of these events in cancer revealed new mechanisms underpinning malignancies and unearthed novel therapeutic opportunities. In all, cancer cells coopt RNA processing, export and translation to support their oncogenic activity.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».