Therapeutic Target Identification in Pancreatic Ductal Adenocarcinoma: A Comprehensive In-Silico Study employing WGCNA and Trader
Notice bibliographique
Résumé
Abstract Pancreatic ductal adenocarcinoma (PDAC) is recognized as a highly aggressive fatal disease accounting for more than 90% of all pancreatic malignancies. Considering the limited effective treatment options and its low survival rate, studying PDAC's underlying mechanisms is of utmost importance. The present study focused on investigating PDAC expression data using WGCNA and Trader algorithms to shed light on the underlying mechanisms and identify the most reliable therapeutic candidates in PDAC. After analyzing a recently generated PDAC dataset (GSE132956), the obtained differentially expressed genes (DEGs) were subjected to different exploration steps. WGCNA was applied to cluster the co-expressed DEGs and found the disease's most correlated module and genes. The trader algorithm was utilized to analyze the constructed network of DEGs in STRING and identified the top 30 DEGs whose removal causes a maximum number of separate sub-networks. Hub genes were selected considering the lists of top identified nodes by the two algorithms. "Signaling by Rho GTPases," "Signaling by receptor tyrosine kinases," and "immune system" were top enriched gene ontology terms for the DEGs in the PDAC most correlated module and nine hub genes, including FYN, MAPK3, CDK2, SNRPG, GNAQ, PAK1, LPCAT4, MAP1LC3B, and FBN1 were identified by considering the top spotted DEGs by two algorithms. The findings provided evidence about the involvement of some pathways in the pathogenesis of PDAC and suggested several hub genes as therapeutic candidates via a comprehensive approach analyzing both the co-expression and PPI networks of DEGs in this cancer.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».