Παρακαλώ χρησιμοποιήστε αυτό το αναγνωριστικό για να παραπέμψετε ή να δημιουργήσετε σύνδεσμο προς αυτό το τεκμήριο:
https://hdl.handle.net/123456789/1722| Τύπος: | Άρθρο σε επιστημονικό περιοδικό |
| Τίτλος: | Deciphering the methylation landscape in breast cancer: diagnostic and prognostic biosignatures through automated machine learning |
| Εναλλακτικός τίτλος: | Αποκαλύπτοντας τη μεθυλίωση στην καρκίνο του μαστού |
| Συγγραφέας: | [EL] Παναγοπούλου - Πανταζή, Μαρία[EN] Panagopoulou - Pantazi, Maria [EL] Καραγλάνη, Μακρίνα[EN] Karaglani, Makrina [EL] Μανωλόπουλος, Ευάγγελος[EN] Manolopoulos, Vangelis [EL] Ηλιόπουλος, Ιωάννης[EN] Iliopoulos, Ioannis [EL] Τσαμαρδίνος, Ιωάννης[EN] Tsamardinos, Ioannis |
| Επικεφαλής ερευνητικής ομάδας: | [EL] Χατζάκη, Αικατερίνη[EN] Chatzaki, Ekaterini |
| Ημερομηνία: | 02/04/2021 |
| Περίληψη: | Breast cancer (BrCa) is characterized by aberrant DNA methylation. We leveraged high-throughput methylation data from BrCa and normal breast tissues and identified 11,176 to 27,786 differentially methylated genes (DMGs) against clinically relevant end-points. Innovative automated machine learning was employed to construct three highly performing signatures for (1) the discrimination of BrCa patients from healthy individuals, (2) the identification of BrCa metastatic disease and (3) the early diagnosis of BrCa. Furthermore, functional analysis revealed that most genes selected in the signatures showed associations to BrCa, with regulation of transcription being the main biological process, the nucleus being the main cellular component and transcription factor activity and sequence-specific DNA binding being the main molecular functions. Overall, revisiting methylome datasets led to three high-performance signatures that are readily available for improving BrCa precision management and significant knowledge mining related to disease pathophysiology. |
| Γλώσσα: | Αγγλικά |
| Σελίδες: | 21 |
| DOI: | 10.3390/cancers13071677 |
| EISSN: | 2072-6694 |
| Θεματική κατηγορία: | [EL] Βασική ιατρική, γενικά[EN] Basic medicine, general |
| Λέξεις-κλειδιά: | Breast cancer; Machine learning; epigenetic biomarker; methylation; signature; predictive model; bioinformatics; pathway; transcription |
| Κάτοχος πνευματικών δικαιωμάτων: | © 2021 by the authors. Licensee MDPI, Basel, Switzerland. |
| Όροι και προϋποθέσεις δικαιωμάτων: | This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license (https:// creativecommons.org/licenses/by/ 4.0/) |
| Ηλεκτρονική διεύθυνση του τεκμηρίου στον εκδότη: | https://www.mdpi.com/2072-6694/13/7/1677 |
| Ηλεκτρονική διεύθυνση περιοδικού: | https://www.mdpi.com/journal/cancers |
| Τίτλος πηγής δημοσίευσης: | Cancers |
| Τεύχος: | 7 |
| Τόμος: | 13 |
| Σελίδες τεκμηρίου (στην πηγή): | Article no 1677 |
| Σημειώσεις: | This research was carried out and funded in the context of the project “DNA methylation as a minimally-invasive biomarker: development and validation of classifiers with prognostic and/or predictive clinical value in breast cancer therapy” (MIS 5049913) under the call for proposals EDULLL 103. The project was co-financed by Greece and the European Union (European Social Fund- ESF) by the Operational Programme Human Resources Development, Education and Lifelong Learning 2014–2020 |
| Εμφανίζεται στις συλλογές: | Ερευνητικές ομάδες |
Αρχεία σε αυτό το τεκμήριο:
| Αρχείο | Περιγραφή | Σελίδες | Μέγεθος | Μορφότυπος | Έκδοση | Άδεια | |
|---|---|---|---|---|---|---|---|
| cancers-13-01677 (1).pdf | publication | 21 pages σελίδες | 2.62 MB | Adobe PDF | Δημοσιευμένη/του Εκδότη |  | Δείτε/ανοίξτε |