Identification of Antisense RNA NRAS-AS and Its Preliminary Exploration of the Anticancer Regulatory Mechanism
Notice bibliographique
Résumé
OBJECTIVE: To explore the influence of NRAS-AS on the proliferation, apoptosis, cell cycle, migration, and invasion ability of HCC cells, as well as its underlying mechanisms. METHODS: A double-stranded cDNA library for liver cancer cells was constructed, and identified NRAS-AS through High-throughput sequencing, bioinformatics, chain-specific fluorescent quantitative PCR, and RACE. NRAS-AS's effects on HepG2 and SMMC-7721 cells and gene expression were evaluated. Additionally, the study analyzed the influence of NRAS-AS overexpression on tumor formation in nude mice. Immunohistochemistry and Western blotting were used to detect NRAS protein levels in clinical samples. RT-qPCR examined NRAS-AS and NRAS gene expression in HCC and adjacent tissues. RESULTS: NRAS-AS overexpression suppresses HCC cell proliferation and invasion, induces cell cycle alterations in HepG2 and SMMC-7721 cells, and enhances apoptosis. NRAS-AS interference promoted liver cancer invasion, inhibited apoptosis, and influences the cell cycle. Nude mice overexpressing NRAS-AS showed smaller tumors. NRAS-AS expression in liver cancer patients correlated with clinical factors. RT-qPCR revealed an inverse correlation between NRAS-AS and NRAS gene expression in liver cancer and adjacent tissues. IHC analysis revealed reduced NRAS protein expression in HepG2 and SMMC-7721 cells following NRAS-AS overexpression. The impact of AZA treatment on antisense NRAS-AS and sense NRAS gene expression in liver cancer cells was observed, and antisense. CONCLUSION: Reduced NRAS-AS expression is frequently observed in HCC and is inversely related to NRAS gene expression, suggesting a role in HCC pathogenesis through NRAS regulation. Targeting antisense RNA NRAS-AS could hold promise as a therapeutic target and diagnostic biomarker for HCC.
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 ».