Metadata Analysis to Get Insight into Drug Resistant Ovarian Cancer
Notice bibliographique
Résumé
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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 ».