Identification of disease-related aberrantly spliced transcripts in myeloma and strategies to target these alterations by RNA-based therapeutics
Notice bibliographique
Résumé
Novel drug discoveries have shifted the treatment paradigms of most hematological malignancies, including multiple myeloma (MM). However, this plasma cell malignancy remains incurable, and novel therapies are therefore urgently needed. Whole-genome transcriptome analyses in a large cohort of MM patients demonstrated that alterations in pre-mRNA splicing (AS) are frequent in MM. This manuscript describes approaches to identify disease-specific alterations in MM and proposes RNA-based therapeutic strategies to eradicate such alterations. As a "proof of concept", we examined the causes of aberrant HMMR (Hyaluronan-mediated motility receptor) splicing in MM. We identified clusters of single nucleotide variations (SNVs) in the HMMR transcript where the altered splicing took place. Using bioinformatics tools, we predicted SNVs and splicing factors that potentially contribute to aberrant HMMR splicing. Based on bioinformatic analyses and validation studies, we provided the rationale for RNA-based therapeutic strategies to selectively inhibit altered HMMR splicing in MM. Since splicing is a hallmark of many cancers, strategies described herein for target identification and the design of RNA-based therapeutics that inhibit gene splicing can be applied not only to other genes in MM but also more broadly to other hematological malignancies and solid tumors as well.
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 | 0,000 | 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 ».