MétaCan
Menu
← Back to cohort
Record W3170417584 · doi:10.71781/30383

Éponges à microARN, artificielles ou naturelles, dans le contexte de la transformation tumorale

2020· dissertation· fr· W3170417584 on OpenAlexfundno aff
Lian Mignacca

Bibliographic record

VenueOpen MIND · 2020
Typedissertation
Languagefr
FieldMedicine
TopicHead and Neck Cancer Studies
Canadian institutionsnot available
FundersCancer Research SocietyFonds de Recherche du Québec - SantéGenome Canada
KeywordsHumanitiesPhilosophy

Abstract

fetched live from OpenAlex

La sénescence se caractérise par un arrêt en phase G1/S du cycle cellulaire et peut être induit par une variété de stress tels que des télomères trop courts, l’activation d’oncogène ou encore à cause de stress oxydatifs. Cette réponse cellulaire s’accompagne de profonds changements au niveau de l’expression génique et les ARN non codants sont d’importants acteurs de ceux-ci. Bien que cette catégorie d’ARN ait longtemps été considérée comme un sous-produit non fonctionnel de la transcription, on sait maintenant qu’ils sont impliqués dans une pléthore de fonctions essentielles à l’homéostasie de la cellule. Les microARN (miR), de petits ARN non codants d’une vingtaine de nucléotides, sont souvent diminués ou surexprimés dans les maladies, soulignant leurs rôles importants dans le développement de celles-ci. C’est le cas notamment de deux oncomirs, miR-19 et miR-155, qui s’accumulent de manière aberrante dans les cancers hématopoïétiques. En condition normale, STAT5A, qui est souvent dérégulé dans ces cancers, induit SOCS1 qui agit comme un frein sur cette voie de signalisation afin de prévenir une prolifération incontrôlée. Des travaux conduits dans notre laboratoire montrent que SOCS1 est aussi impliqué dans la sénescence, car il est capable d’activer p53, un important suppresseur tumoral. SOCS1 peut être ciblé par les deux oncomirs et nos résultats montrent qu’une inhibition de ces derniers à l’aide d’éponges artificielles favorisait l’accumulation d’un p53 actif. De plus, en intégrant le ribozyme à tête de marteau dans la conception des éponges, nous avons créé une nouvelle génération d’outils (éponges catalytiques) qui sont plus efficaces. Effectivement, l’utilisation de ces éponges contre miR-155 résultait en une diminution de la prolifération, de formation de colonie ainsi que de la migration de cellule de myélome multiple. En second lieu, nous nous sommes penchés sur l’étude d’éponges naturelles dans le contexte de la sénescence. Il existe en effet quelques exemples de lARNnc (Long Non-Coding RNA) qui peuvent agir de la sorte pour un miR donné. Nous pensons que c’est par ce mécanisme de régulation que miR-146a, un miR impliqué dans la réponse anti-inflammatoire, peut s’accumuler dans la sénescence induite par RAS sans toutefois sembler être pleinement actif. Effectivement, les cellules sénescentes sécrètent une variété de facteurs pro-inflammatoires. À l’aide d’une nouvelle technique nommée miR-CLIP, nous avons pu étudier l’interactome de miR-146a et avons identifié plusieurs lARNnc qui selon des outils de prédiction, semblent s’hybrider de manière extensive en région 3’ du miR. Ceci est requis pour l’initiation d’un TDMD (Target-Directed miR Degradation) et nous avons donc investigué la possibilité d’un tel évènement dans la régulation de miR-146a. Nos résultats montrent que la surexpression de XXBAC-B444P24.13 mène à une diminution des niveaux de miR-146a qui n’est pas due à une baisse de sa transcription. Bien que le premier article illustre les avantages d’une éponge catalytique artificielle, le second article suggère que cette stratégie pourrait déjà être en place dans les systèmes biologiques, et ce, de manière naturelle. En effet, une fois miR-146a lié à XXBAC-B444P24.13, ce dernier induirait la dégradation du miR par un TDMD. Ceci ouvre donc la porte au développement d’outils qui pourraient être plus performants à des niveaux d’expression plus bas.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame machine prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Bench or experimental · Consensus signal: Bench or experimental
GenreCandidate signal: Other · Consensus signal: none
Teacher disagreement score0.003
Threshold uncertainty score0.010

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0000.001
Scholarly communication0.0010.000
Open science0.0000.000
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0030.001

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.028
GPT teacher head0.334
Teacher spread0.305 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designBench or experimental
Domainnot available
GenreOther

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations0
Published2020
Admission routes1
Has abstractyes

Explore more

Same venueOpen MIND→Same topicHead and Neck Cancer Studies→French-language works237,207→