Étude du profil d’expression des cytochromes P450 dans le carcinome hépatocellulaire : à la recherche de nouveaux biomarqueurs
Bibliographic record
Abstract
Le carcinome hépatocellulaire est la deuxième cause de décès par cancer au monde. L’une des raisons est le diagnostic tardif des patients à un stade où seulement l’ablation de la tumeur n’est plus un traitement efficace. Dans l’objectif d’identifier de nouveaux biomarqueurs pour améliorer le dépistage précoce de l’hépatocarcinome, les données de séquençage de l’ARN de tissus d’hépatocarcinomes, générées par The Cancer Genome Atlas, ont été comparées à celles de tissus de foie sains. Il a ainsi été possible d’identifier plus de 4000 gènes dont l’expression est significativement dérégulée dans les tissus tumoraux, dont plusieurs appartiennent à la famille des cytochromes P450 (CYP450). L’analyse des niveaux d’expression des gènes de chacun des patients a permis d’identifier 8 CYP450 candidats. Le changement d’expression de 6 d’entre eux a été validé par qPCR sur des échantillons d’ADN complémentaire de tissus sains et cancéreux. Du côté des caractéristiques diagnostiques de ces CYP450, la répression de CYP1A2, CYP2B6 ou CYP2C19, au niveau de l’ARNm, sous leur seuil respectif, permet l’identification des tissus cancéreux avec une sensibilité et une spécificité de 90% à 100%. Une répression de leur niveau d’expression en protéine est également observable dans les tissus cancéreux par immunohistochimie. Finalement, ce changement d’expression est identifiable peu importe la présence ou non d’une infection aux virus de l’hépatite B et/ou C chez les patients et dès le stade 1 des tumeurs. En conclusion, il semblerait que les cytochromes P450, particulièrement CYP1A2, CYP2B6 et CYP2C19, soient des biomarqueurs potentiels pour le carcinome hépatocellulaire permettant un diagnostic plus précoce et l’amélioration du traitement des patients.
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 imitationNot 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.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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 source (direct Gemma or distilled Codex), 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".