An integrative RNA spliceosomic landscape of pancreatic neuroendocrine tumors unveils novel clinicomolecular associations
Notice bibliographique
Résumé
ABSTRACT Alterations in alternative splicing are emerging as a novel hallmark in cancer biology, offering new insights. However, integrative analyses of splicing are still scarce, particularly in rare cancers such as pancreatic neuroendocrine tumors (PanNETs). These tumors are highly heterogeneous, complicating diagnosis and treatment. This study is the first to comprehensively investigate the RNA splicing landscape in PanNETs, identifying distinct spliceosomic profiles correlated with unique clinical and molecular characteristics. We analyzed RNA-seq data from 174 samples, identifying three distinct spliceosomic groups (SPN1, SPN2, SPN3) with unique clinical and molecular characteristics. SPN1 exhibited intermediate clinical features and specific splicing machinery profile, SPN2 was associated with frequent mutations in MEN1 and DAXX / ATRX genes, and SPN3 showed a prevalence of well-differentiated tumors with distinct splicing patterns. These groups were linked to different clinical outcomes and activated key biological processes like mTOR signaling and hormone secretion pathways. Our findings underscore the significant impact of RNA splicing on PanNET heterogeneity and suggest that detailed splicing profiles could serve as valuable tools for identifying novel biomarkers and therapeutic targets. This study provides crucial insights into PanNET molecular biology and paves the way for personalized therapies based on splicing features.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».