Long Non-Coding RNA Profile in Genetic Symptomatic and Presymptomatic Frontotemporal Dementia: A GENFI Study
Notice bibliographique
Résumé
Background: Long non-coding RNAs (lncRNAs) play crucial roles in gene regulation and are implicated in neurodegenerative diseases, including frontotemporal dementia (FTD). However, their expression patterns and potential as biomarkers in genetic FTD involving Chromosome 9 Open Reading Frame (C9ORF72), Microtubule Associated Protein Tau (MAPT), and Progranulin (GRN) genes are not well understood. Objective: This study aimed to profile the expression levels of lncRNAs in peripheral blood mononuclear cells collected within the GENetic Frontotemporal dementia Initiative (GENFI). Methods: Fifty-three lncRNAs were analyzed with the OpenArray Custom panel, in 131 patients with mutations in C9ORF72, MAPT, and GRN, including 68 symptomatic mutation carriers (SMC) and 63 presymptomatic mutation carriers (PMC), compared with 40 non-carrier controls (NC). Results: Thirty-eight lncRNAs were detectable; the relative expression of NEAT1 and NORAD was significantly higher in C9ORF72 SMC as compared with NC. GAS5 expression was instead significantly lower in the GRN group versus NC. MAPT carriers showed no significant deregulations. No significant differences were observed in PMC. Disease duration did not correlate with lncRNA expression. Conclusions: NEAT1 and NORAD are upregulated in C9ORF72 SMC and GAS5 levels are downregulated in GRN SMC, underlining lncRNAs' relevance in FTD and their potential for biomarker development. Further validation and mechanistic studies are crucial for clinical implications.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».