Étude de l'expression allélique différentielle dans les gènes intermédiaires de prédisposition au cancer du sein CHEK2, ATM et TP53
Bibliographic record
Abstract
Nous avons voulu évaluer si les gènes CHE2, ATM et TP53, associés à un risque intermédiaire de cancer du sein, étaient soumis à une différence d'expression allélique (DEA). Nous avons étudié des lignées cellulaires lymphoblastiques (LCLs) dérivées de patientes à haut risque, négatives pour des mutations dans CRCA1 et BRCA2. Nous avons développé une méthode basée sur la "fusion haute-résolution" (High-resolution melting curve analysis, HRM) et l'utilisation d'une sonde d'hybridation fluorescente pour détecter de la DEA chez des individus hétérozygotes pour un SNP marqueur exonique. Cette méthode permet de corréler le signal fluorescent à la quantité relative des transcrits alléliques. Nous avons développé un outil d'analyse adapté aux besoins spécifiques de l'étude de la DEA par HRM. Dans nos échantillons, une DEA statistiquement significative a été identifiée pour le gène CHEK2, chez les porteurs de la mutation tronquante 1100delC. En revanche, en combinant les données du criblage mutationnel des gènes candidats et de l'étude de DEA, nous n'avons pas identifié de variant régulateur localisé en cis qui induirait de la DEA significative dans les gènes étudiés, dans le contexte de régulation transcriptionnelle propre aux LCLs proliférant librement. Nos résultats montrent que le HRM est une méthode sensible et précise pour mesurer de la DAE et qui peut être appliquée à d'autres tissus, mammaires ou sanguins. Ces derniers présentent un grand intérêt pour les études de criblage mutationnel à haut-débit cherchant à identifier des variants dysfonctionnels dans les régions régulatrices de gènes candidats.
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 | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".