MétaCan
Menu
Retour à la cohorte
Enregistrement W4376638894 · doi:10.18280/isi.280206

Metadata Analysis to Get Insight into Drug Resistant Ovarian Cancer

2023· article· fr· W4376638894 sur OpenAlexvenueno aff
Sujata Roy, Jeyalakshmi Jeyabalan, Saikat Gochhait, S. Poonkuzhali, M. Michael Gromiha

Notice bibliographique

RevueIngénierie des systèmes d information · 2023
Typearticle
Languefr
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueBiomedical Text Mining and Ontologies
Établissements canadiensnon disponible
Organismes subventionnairesScience and Engineering Research Board
Mots-clésMetadataOvarian cancerDrugCancerComputer scienceWorld Wide WebOncologyInformation retrievalMedicineInternal medicinePharmacology

Résumé

récupéré en direct d'OpenAlex

The most prevalent kind of ovarian cancer is high-grade serous ovarian cancer.Drug resistance is the major issue in this cancer.Transcriptional fusions involving SLC25A40-ABCB1 is a leading cause of this cancer.To understand the phenotypic consequences, transcriptional profile was studied using high throughput sequencing technologies.Here we have used that data to understand co-expressed genes and their functional role in two different cell types, fusion positive and fusion negative using WGCNA analysis.The major biological processes which are correlated with fusion positive cells are extracellular structure organization, external encapsulating structure organization, regulation of cell migration and axon guidance etc.In addition to these investigations, gene expression data of a PARPi-sensitive cell line and resistance was analyzed to determine the role and capabilities of PARP-inhibitors in controlling drug-resistant High-grade serous ovarian cancer.This investigation also shed light on the possible mechanism of PARPi resistant cases and concluded that the resistance comes from the dynamics of four biological processes like regulation of cell junction assembly, cell-cell adhesion, tissue morphogenesis, neuron projection development and negative regulation of cellular component organization.Further analysis with different Gene Set Enrichment analysis illustrates that four processes, negative regulation of lens fiber cell differentiation, sarcoplasmic reticulum lumen, presynaptic membrane assembly and nitrobenzene metabolic process are activated in PARPi resistance.These processes are connected to each other through an important kinase protein ERBB2 which is interpreted as a key protein in PARPi resistance.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0120,009
Études des sciences et des technologies0,0010,000
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,018
Tête enseignante GPT0,276
Écart entre enseignants0,258 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIngénierie des systèmes d informationMême sujetBiomedical Text Mining and OntologiesTravaux en français237 207