Determining the functional role of Sept9 phosphorylated isoforms in Sonic Hedgehog Medulloblastoma
Notice bibliographique
Résumé
Proteins are the molecular machines of our cells. They can be controlled by adding tag groups called phosphates. In healthy cells, this phosphorylating system keeps cellular processes running smoothly. In cancer, however, this system is broken, where proteins are mistagged, leading to cancer cells growing uncontrollably. Previous our lab found that in medulloblastoma, the most common malignant pediatric brain cancer, there were more harmful phosphorylated versions of some proteins compared to normal precursor cells. One of these proteins was Septin-9 (SEPT9). The role SEPT9 plays in the cancer cells remains unclear. To address this, we are assessing the role that the phosphorylated SEPT9 plays in Sonic Hedgehog medulloblastoma (SHH MB). To investigate the difference of harmful phosphorylated protein versions in medulloblastoma (MB) cells compared to normal granule neuron precursors (GNP), we used a mouse model of medulloblastoma. MB cells which either lack harmful versions of these proteins or overexpress them are being developed. We have shown that there are greater amounts of harmful versions of Sept9 in SHH MB cells compared to GNPs. To assess the role of these harmful versions, we are creating cell models that either reduce the amount of mistagged proteins or have increased amounts. These models are called knockdown (KD) and overexpression (OE) models respectively and will be used to determine the functional role that Sept9 phosphorylated isoforms play in SHH MB. This work may unveil a way cancer cells grow by altering which versions of proteins are present. Ongoing work will help us understand exactly how these proteins support cancer cells and may point towards new therapies targeting rogue versions of proteins in cancers.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».