Integrated RNA-sequencing and network analysis approach to identify the Hub genes and vital pathways associated with gastric cancer
Notice bibliographique
Résumé
Context: Gastric cancer is one of the most prevalent types of cancer in developing countries and ranks fourth in terms of death causes. Helicobacter pylori infection is a significant contributor to the emergence of gastric cancer. Lack of early diagnosis of gastric cancer is a leading cause of death. Aims: To identify the key genes and pathways involved in gastric cancer. Methods: This study performed a comprehensive analysis of RNA-Seq data from human gastric cancer and adjacent normal tissues. Raw data passed quality checks with FastQC and were aligned to GRCh38 using HISAT2. Subread's FeatureCounts handled transcript assembly and quantification. DESeq2 pinpointed significant genes, while ClueGO explored gene ontology and KEGG pathways. Protein-protein interaction networks, constructed with StringApp, aided in identifying hub genes through CytoHubba. This holistic approach yields insights into the molecular mechanisms underpinning gastric cancer. Results: This study detected 711 differentially expressed genes (DEGs) between normal and gastric samples. A total of 594 genes were identified as upregulated and 117 as downregulated. Major DEGs are enriched in signal transduction, stimulus-response regulation, transmembrane signaling receptor activity, and signal transduction pathways involving cytokines. In addition, 20 hub genes from the PPI network were identified based on MCC rank analysis from the CytoHubba plugin, contributing to the progression of gastric cancer. Conclusions: The top six hub genes, CD4, CTLA4, CD28, CD80, CD27, and SELL, are expected to regulate several pathways and may serve as potential biomarkers for the early detection and treatment of gastric cancer patients.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».