The RNA-binding protein SERBP1 functions as a novel oncogenic factor in glioblastoma by bridging cancer metabolism and epigenetic regulation
Notice bibliographique
Résumé
Abstract Background RNA-binding proteins (RBPs) function as master regulators of gene expression. Alterations in RBP expression and function are often observed in cancer and influence critical pathways implicated in tumor initiation and growth. Identification and characterization of oncogenic RBPs and their regulatory networks provide new opportunities for targeted therapy. Results We identify the RNA-binding protein SERBP1 as a novel regulator of glioblastoma (GBM) development. High SERBP1 expression is prevalent in GBMs and correlates with poor patient survival and poor response to chemo- and radiotherapy. SERBP1 knockdown causes delay in tumor growth and impacts cancer-relevant phenotypes in GBM and glioma stem cell lines. RNAcompete identifies a GC-rich region as SERBP1-binding motif; subsequent genomic and functional analyses establish SERBP1 regulation role in metabolic routes preferentially used by cancer cells. An important consequence of these functions is SERBP1 impact on methionine production. SERBP1 knockdown decreases methionine levels causing a subsequent reduction in histone methylation as shown for H3K27me3 and upregulation of genes associated with neurogenesis, neuronal differentiation, and function. Further analysis demonstrates that several of these genes are downregulated in GBM, potentially through epigenetic silencing as indicated by the presence of H3K27me3 sites. Conclusions SERBP1 is the first example of an RNA-binding protein functioning as a central regulator of cancer metabolism and indirect modulator of epigenetic regulation in GBM. By bridging these two processes, SERBP1 enhances glioma stem cell phenotypes and contributes to GBM poorly differentiated state.
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) | 0,042 | 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 ».