MétaCan
Menu
Retour à la cohorte
Enregistrement W4327905722 · doi:10.20944/preprints202303.0355.v1

Integrating Multi-Omics Analysis for Enhanced Diagnosis and Treatment of Glioblastoma: A Comprehensive Data-Driven Approach

2023· preprint· en· W4327905722 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevuePreprints.org · 2023
Typepreprint
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueBioinformatics and Genomic Networks
Établissements canadiensUniversity of ManitobaResearch Institute in Oncology and HematologyChildren's Hospital Research Institute of Manitoba
Organismes subventionnairesnon disponible
Mots-clésGeneDiseaseGlioblastomaTemozolomidemicroRNACancer researchBiologyComputational biologyBioinformaticsMedicineGeneticsInternal medicine

Résumé

récupéré en direct d'OpenAlex

The most aggressive primary malignant brain tumor in adults is glioblastoma (GBM), which has poor overall survival (OS). There is a high relapse rate among patients with GBM despite maxi-mally safe surgery, radiation therapy, temozolomide (TMZ), and aggressive treatment. Hence, there is an urgent and unmet clinical need for new approaches to managing GBM. The current study identified modules (MYC, EGFR, PIK3CA, SUZ12, and SPRK2) involved in GBM disease through the NeDRex plugin. Furthermore, hub genes were identified in a comprehensive interaction network containing 7,560 proteins related to GBM disease and 3,860 proteins associated with signaling pathways involved in GBM. By integrating the results of the aforementioned analyses and performing centrality analysis again, eleven key genes involved in GBM disease were identi-fied. ProteomicsDB or Gliovis databases were used for determining the gene expression in normal or tumor brain tissue. The NetworkAnalyst and the mGWAS-Explorer tools identified miRNAs, SNPs, and metabolites associated with these 11 genes. Moreover, a literature review of recent studies revealed other lists of metabolites related to GBM disease. The enrichment analysis of iden-tified genes, miRNAs, and metabolites associated with GBM disease was done using ExpressAna-lyst, miEAA, and MetaboAnalyst tools. Further investigation of metabolite roles in GBM was done through the pathway, joint pathway, and network analyses. The results of this study identified 11 genes (UBC, HDAC1, CTNNB1, TRIM28, CSNK2A1, RBBP4, TP53, APP, DAB1, PINK1, and RELN), five miRNAs (hsa-mir-221-3p, hsa-mir-30a-5p, hsa-mir-15a-5p, hsa-mir-130a-3p, hsa-let-7b-5p), six metabolites (HDL, N6-acetyl-L-lysine, cholesterol, formate, N, N-dimethylglycine/xylose and X2. piperidinone) and 15 distinct signaling pathways that play an indispensable role in the GBM disease development. To establish early diagnostic methods and plan personalized GBM treatment strategies, the identified top genes-miRNAs and metabolite signatures can be targeted.

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.

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)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,415
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)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,163
Tête enseignante GPT0,358
Écart entre enseignants0,194 · 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