Avaliação expressão do miR 10a no câncer de bexiga através de análises de bioinformática
Bibliographic record
Abstract
Introdução: O Câncer de Bexiga (CaB) é responsável por 330 mil novos casos por ano, sendo que 130 mil evoluíram para óbito. Os tipos mais comuns de CaB são: os carcinomas uroteliais e os carcinomas de células transicionais, representando cerca de 95%. Os microRNA´s, por sua vez, são pequenas moléculas endógenas reguladoras de expressão gênica. Esses, frente a tumores, são divididos em miR´s supressores tumorais (inibem a carcinogênese) ou oncomiR´s (estimula a carcinogênese). O miR-10a (localização cromossômica 17q21.32) pode se comportar como um miR supressor de tumor, ou seja, sua subexpressão pode contribuir para a carcinogênese. Analisar o potencial biomarcador do miR-10a frente ao CaB, seguindo uma análise casuística do TCGA (The Cancer Genome Atlas) no pipeline de bioinformática CancerMirNome, frisando ainda os aspectos da relação desse miR com a sobrevida do paciente e sua capacidade diagnóstica de detecção do tipo tumoral em questão. Procedeu-se com a coleta de dados que relacionavam o miR-10a com o CaB na plataforma CancerMirNome. A partir disso foram obtidos os gráficos de PAN-CANCER (que compara a expressão desse miR no CaB e em outros tumores), Curva ROC (para determinar precisão diagnóstica), Curva Kaplan-Meier (para evidenciar a relação do miR com o bom ou mau prognóstico do paciente) e o gráfico de expressão diferencial (que relaciona a expressão do miR em um tecido normal versus tecido tumoral). O gráfico de PAN-CANCER evidenciou que alguns tipos tumorais (a exemplo do Adenocarcinoma de Cólon, Adenocarcinoma de Reto, Mesotelioma e Carcinossarcoma uterino) possuem diferenças significativas na expressão diferencial do miR-10a em tecidos normais e tumorais, em detrimento do CaB, que não apresenta mudança de expressão relevante.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
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.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
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".