Deciphering the Transcription Factor Landscape in Prostate Cancer Progression: A Novel Approach to Understand NE Transdifferentiation
Notice bibliographique
Résumé
Prostate cancer (PCa) stands as a leading cause of cancer-related mortality among men, with treatment-induced neuroendocrine prostate cancer (NEPC) posing a challenge as an ARPI-resistant subtype. The role of transcription factors (TFs) in PCa progression and NEPC transdifferentiation remains inadequately understood, underscoring a critical gap in current research. In this study, an internal Z score-based approach is developed to identify lineage-specific TF profiles in prostatic adenocarcinoma and NEPC for a nuanced understanding of TF expression dynamics. Distinct TF profiles for adenocarcinoma and NEPC are unveiled, identifying 126 shared TFs, 46 adenocarcinoma-TFs, and 56 NEPC-TFs, validated across multiple cohorts. Gene Ontology is employed to validate their biological and functional roles in PCa progression. Implications are revealed in cell development, differentiation, and lineage determination. Knockdown experiments suggest that lineage-TFs are functionally important in maintaining lineage-specific cell proliferation. Additionally, a longitudinal study on NE transdifferentiation highlights dynamic TF expression shifts, proposing a three-phases hypothesis for PCa progression mechanisms. This study introduces a groundbreaking approach for deciphering the TF landscape in PCa, providing a molecular basis for adenocarcinoma to NEPC progression, and paving the way for innovative treatment strategies with potential impact on patient outcomes.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».