Utilizing an In-silico Approach to Pinpoint Potential Biomarkers for Enhanced Early Detection of Colorectal Cancer
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
Objectives: Colorectal cancer (CRC) is a prevalent disease characterized by significant dysregulation of gene expression. Non-invasive tests that utilize microRNAs (miRNAs) have shown promise for early CRC detection. This study aims to determine the association between miRNAs and key genes in CRC. Methods: Two datasets (GSE106817 and GSE23878) were extracted from the NCBI Gene Expression Omnibus database. Penalized logistic regression (PLR) and artificial neural networks (ANN) were used to identify relevant miRNAs and evaluate the classification accuracy of the selected miRNAs. The findings were validated through bipartite miRNA-mRNA interactions. Results: Our analysis identified 3 miRNAs: miR-1228, miR-6765-5p, and miR-6787-5p, achieving a total accuracy of over 90%. Based on the results of the mRNA-miRNA interaction network, CDK1 and MAD2L1 were identified as target genes of miR-6787-5p. Conclusions: Our results suggest that the identified miRNAs and target genes could serve as non-invasive biomarkers for diagnosing colorectal cancer, pending laboratory confirmation.
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 | 0,000 | 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 découle