Exploring the Molecular Underpinnings of Cancer-Causing Oncohistone Mutants Using Yeast as a Model
Notice bibliographique
Résumé
Understanding the molecular basis of cancer initiation and progression is critical in developing effective treatment strategies. Recently, mutations in genes encoding histone proteins that drive oncogenesis have been identified, converting these essential proteins into "oncohistones". Understanding how oncohistone mutants, which are commonly single missense mutations, subvert the normal function of histones to drive oncogenesis requires defining the functional consequences of such changes. Histones genes are present in multiple copies in the human genome with 15 genes encoding histone H3 isoforms, the histone for which the majority of oncohistone variants have been analyzed thus far. With so many wildtype histone proteins being expressed simultaneously within the oncohistone, it can be difficult to decipher the precise mechanistic consequences of the mutant protein. In contrast to humans, budding and fission yeast contain only two or three histone H3 genes, respectively. Furthermore, yeast histones share ~90% sequence identity with human H3 protein. Its genetic simplicity and evolutionary conservation make yeast an excellent model for characterizing oncohistones. The power of genetic approaches can also be exploited in yeast models to define cellular signaling pathways that could serve as actionable therapeutic targets. In this review, we focus on the value of yeast models to serve as a discovery tool that can provide mechanistic insights and inform subsequent translational studies in humans.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».