MétaCan
Menu
Retour à la cohorte
Enregistrement W7133103739

Hypertranscription in Human Cancer

2022· dissertation· W7133103739 sur OpenAlexaff
Matthew Zatzman

Notice bibliographique

RevueTSpace · 2022
Typedissertation
Langue
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueSingle-cell and spatial transcriptomics
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésCancerGene expressionGeneDiseaseTranscription (linguistics)Regulation of gene expressionTranscription factorCancer cell
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Cancer is a disease driven by aberrant gene expression leading to uncontrolled cellular proliferation. To date, tens-of-thousands of patient tumors have undergone RNA-sequencing, creating a catalog of the genes and pathways differentially expressed in cancer tissues. Despite these significant advances, a fundamental aspect of gene regulation remains poorly characterized: the overall expression level across all genes. Recent work has demonstrated that certain oncogenes, such as MYC, might drive tumor growth by globally increasing transcription of all active genes, a phenomenon known as hypertranscription. While hypertranscription has been studied in model systems and cell lines, where drugs that dampen global transcription have shown promise against aggressive ‘transcriptionally addicted’ cancers, hypertranscription has never been characterized in human patients. Thus, we do not know hypertranscription’s prevalence across cancer types, its drivers, or its impact on patient outcomes. This gap in knowledge is driven in large part by the absence of appropriate methods to accurately measure global transcription. Nearly all reported gene expression estimates incorrectly assume relatively equal RNA output across samples. In Chapter 2, a novel computational method is developed that allows joint measurement of global and focal gene expression changes in patient tumor RNA-sequencing data. Critically, this method accounts for differences in tumor purity and ploidy, providing a direct fold-change measure in overall cancer-cell transcription. In Chapter 3, this method is applied to 7,494 tumor samples spanning 31 types, revealing that hypertranscription is a hallmark of aggressive cancers, with over 40% of all cancers harboring hypertranscription levels of at least 2-fold. Investigation of single-cell RNA-sequencing data revealed hypertranscriptional clones that dominated transcript production regardless of their size. Exploration of transcription factors revealed that loss of transcriptional suppression may be fundamental to the hypertranscriptional phenotype. In Chapter 4, the clinical implications of hypertranscription are explored. Hypertranscription defined patient subgroups with worse survival across multiple cancers, even within well-established subtypes. Finally, patients with hypertranscribed mutations have improved response to immune checkpoint therapy. Taken together, this work provides fundamental insights into gene dysregulation across human cancers and may prove useful in identifying patients that would benefit from novel therapies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,024

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,003

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.

Tête enseignante Opus0,023
Tête enseignante GPT0,346
Écart entre enseignants0,322 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTSpaceMême sujetSingle-cell and spatial transcriptomicsTravaux en français237 207