Deep sequencing reveals distinct microRNA-mRNA signatures that differentiate pancreatic neuroendocrine tumor from non-diseased pancreas tissue
Notice bibliographique
Résumé
BACKGROUND: Only a limited number of biomarkers guide personalized management of pancreatic neuroendocrine tumors (PanNETs). Transcriptome profiling of microRNA (miRs) and mRNA has shown value in segregating PanNETs and identifying patients more likely to respond to treatment. Because miRs are key regulators of mRNA expression, we sought to integrate expression data from both RNA species into miR-mRNA interaction networks to advance our understanding of PanNET biology. METHODS: We used deep miR/mRNA sequencing on six low-grade/high-risk, well-differentiated PanNETs compared with seven non-diseased tissues to identify differentially expressed miRs/mRNAs. Then we crossed a list of differentially expressed mRNAs with a list of in silico predicted mRNA targets of the most and least abundant miRs to generate high probability miR-mRNA interaction networks. RESULTS: Gene ontology and pathway analyses revealed several miR-mRNA pairs implicated in cellular processes and pathways suggesting perturbed neuroendocrine function (miR-7 and Reg family genes), cell adhesion (miR-216 family and NLGN1, NCAM1, and CNTN1; miR-670 and the claudins, CLDN1 and CLDN2), and metabolic processes (miR-670 and BCAT1/MPST; miR-129 and CTH). CONCLUSION: These novel miR-mRNA interaction networks identified dysregulated pathways not observed when assessing mRNA alone and provide a foundation for further investigation of their utility as diagnostic and predictive biomarkers.
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 ».