Emerging roles of CircRNA-miRNA networks in cancer development and therapeutic response
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The complex interplay of epigenetic factors is essential in regulating the hallmarks of cancer and orchestrating intricate molecular interactions during tumor progression. Circular RNAs (circRNAs), known for their covalently closed loop structures, are non-coding RNA molecules exceptionally resistant to enzymatic degradation, which enhances their stability and regulatory functions in cancer. Similarly, microRNAs (miRNAs) are endogenous non-coding RNAs with linear structures that regulate cellular biological processes akin to circRNAs. Both miRNAs and circRNAs exhibit aberrant expressions in various cancers. Notably, circRNAs can function as sponges for miRNAs, influencing their activity. The circRNA/miRNA interaction plays a pivotal role in the regulation of cancer progression, including in brain, gastrointestinal, gynecological, and urological cancers, influencing key processes such as proliferation, apoptosis, invasion, autophagy, epithelial-mesenchymal transition (EMT), and more. Additionally, this interaction impacts the response of tumor cells to radiotherapy and chemotherapy and contributes to immune evasion, a significant challenge in cancer therapy. Both circRNAs and miRNAs hold potential as biomarkers for cancer prognosis and diagnosis. In this review, we delve into the circRNA-miRNA circuit within human cancers, emphasizing their role in regulating cancer hallmarks and treatment responses. This discussion aims to provide insights for future research to better understand their functions and potentially guide targeted treatments for cancer patients using circRNA/miRNA-based strategies.
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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| 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 découle