Identifying Molecular Markers of Progression to Muscle Invasive Bladder Cancer
Notice bibliographique
Résumé
An estimated 9,000 Canadians are diagnosed with bladder cancer each year making it the 5thmost common cancer in Canada, the 12thmost common among women and the 4thamong men. Most patients are initially diagnosed with non-muscle invasive bladder cancer (NMIBC), which in some cases can progress to muscle invasive bladder cancer (MIBC). MIBC is associated with significantly poorer prognosis than NMIBC, and it is unclear why some progress to MIBC while others do not. Thus, a better understanding of the molecular progression of bladder cancer is needed. Through a collaboration with the computer sciences department, our team has applied a machine learning method that identifies copy number variations associated with muscle invasion and identified three target genes, TP53, MLL2 and DDR2, which are able to predict MIBC with 91% accuracy. This project aims to investigate the validity of these findings. A panel of bladder cancer cell lines ranging from low to high grade will be utilized. Expression of TP53, DDR2 and MLL2 will be examined across the panel of cell lines and correlated with proliferative and invasive potential. Manipulation of the genes through either overexpression or knockdown experiments will allow us to determine if altering expression of these genes contributes to the progression of NMIBC to MIBC. This work seeks to identify molecular markers which predict progression to MIBC thus identifying novel prognostic and therapeutic targets.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».