Analysis and validation of genes joint expression in Crohn's disease and cervical cancer based on GEO database.
Notice bibliographique
Résumé
Abstract Background: In recent years, numerous studies have demonstrated an increased incidence of cervical cancer in women with Crohn's disease (CD). This paper aims to delve into the underlying mechanism of this association. Methods: Gene expression profiles for Crohn's disease (GSE95095 and GSE186582) and cervical cancer (GSE63514 and GSE63678) were obtained from the GEO database. Heterozygotes (DEGs) were searched for in experimental and control groups for both diseases. Gene modules for Crohn's disease and cervical cancer were also analyzed using the WGCNA method. Machine learning (LASSO logistic regression algorithm & RF method) was applied to screen the characterized genes in the two diseases. And the transcription factors related to the characterized genes were predicted. Finally, it was validated by Western Blot (WB) and immunohistochemistry experiments. Results: From the pool of differential genes in both disease groups, we identified a total of 60 co-expressed genes. Using the WGCNA method, we found 11 key modular genes that were common to both diseases. Machine learning screening allowed us to identify a shared biomarker for both diseases: CXCR4 . Furthermore, we predicted MYC as its transcriptional regulator. Finally, to validate our findings, we conducted immunohistochemistry and protein immunoblotting experiments, which confirmed that CXCR4 exhibits a higher expression level in cervical cancer. Conclusion: This study screened a gene co-expressed in Crohn's disease and cervical cancer based on machine learning: CXCR4 , which is expected to be a potential biomarker for both diseases.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».