PLoS ONE: Korjaus: luokittelu Keuhkosyöpä Kasvaimet Perustuu rakenne- ja fysikaalis-kemialliset ominaisuudet proteiinien bioinformatiikan Models
kirjoittajat artikkeli ”haluavat todeta, että koska tahattoman virheen ja väärinkäsitys suhteessa riittävä käytännön puhuttaessa havaintoja kirjallisuudesta, tekstin aiemmista julkaisuista käytettiin sanatarkasti noteerauksettoman useissa osissa artikkelin. Vaikka viittaukset asiaa julkaisuihin sisällytetty, teksti ei olisi pitänyt käyttää sellaisinaan ja kirjoittajat anteeksi tätä.
päällekkäisyys tekstissä liittyy Johdanto ja keskustelu osia artikkelista, jossa lauseet aiemmat julkaisut toistettiin, tämä koskee seuraavia fragmentteja tekstissä:
”Potilaat, joilla on ei-pienisoluinen keuhkosyöpä kasvaimia (levyepiteelikarsinooma, AC, ja suuret solu) kohdellaan eri tavalla kuin niitä, joilla on pieniä kasvaimet, siis patologiset ero näiden kahden keuhkojen kasvain on erittäin tärkeää. Geeniekspression kuviot mahdollistanut sub luokittelu adenokarsinooma alaryhmiin korreloivat aste kasvaimen erilaistumista sekä potilaan selviytymistä. Geeniekspressioanalyysissä täten lupaa laajentaa ja tarkentaa tavallinen patologinen analyysi [4].
’Ei-pienisoluinen keuhkosyöpä (NSCLC) on johtava syy syövän kuolleisuus kaikkialla maailmassa. Tällä hetkellä ei ole luotettavia biomarkkerit ovat saatavilla ohjaamaan sairauden hoidossa. Sirutekniikalla voi sallia tarkoituksenmukaista biomarkkerit voidaan tunnistaa, mutta esillä alustat puuttuvat tauti tarkennuksen ja ovat siten todennäköisesti kaipaamaan mahdollisesti tärkeät tiedot sisältyvät potilaan kudosnäytteistä. Yhdistelmä laajamittaista in-house sekvensointi, geeniekspressioprofilointi ja julkinen järjestyksessä ja geenien ilmentyminen data mining käytettiin luonnehtimaan transcriptome NSCLC [6].
”Viimeaikaisissa tutkimuksissa jotkut luokittelijoiden käytetään luokittelu syövän geenien tai proteiinien, esimerkiksi KNN luokittelija voi olla joitakin hyödyllisyys jostain microarray luokitusta ongelmia, jotka vaikuttavat koko ei-mitta pienentää aineisto. Ne osoittavat, että lisäämällä dimensionaalisuus näistä joukoista (ottaen paria, kolmen tai neljän tuples, eikä yksittäisiä transkriptio sekvenssit yksitellen) voi johtaa merkittäviin parannuksiin kuhunkin ulottuvuuteen sai [9].
”Muissa tutkimuksen piirteitä proteiinien ilmaistuna pahanlaatuinen, hyvänlaatuisia ja molemmat syöpiä verrattiin käyttämällä erilaisia seulonta tekniikoita, klusterointi menetelmät, päätös puu malleja ja yleistynyt sääntö induktio (GRI) algoritmeja etsiä malleja samankaltaisuutta kahden hyvän- että pahanlaatuisia rintasyövän ryhmät [10 ]
”toteuttamiseksi systemaattinen menetelmä, joka ennustaa syöpää osallistuminen geenien integroimalla heterogeeninen aineistoja luottamalla: (i) proteiini-proteiini vuorovaikutusten; (Ii) differentiaalikaavojen tiedot; ja (iii) rakenteelliset ja toiminnalliset ominaisuudet syöpägeenit ”[12].
”Yhteenvetona, laaja ja yksityiskohtainen tukea ajatukselle, että geenien ilmentymisen perustuva luokittelu kasvainten tulee pian kliinisesti käyttökelpoinen keuhkosyöpään ovat tarjonneet” [4].
”Molecular luokittelu NSCLC objektiivista kvantitatiivinen testi voi olla erittäin tarkka ja voitaisiin kääntää diagnostista alustan laajaan kliiniseen käyttöön” [40].
’Nämä kuvaajat palvelevat edustamaan ja erottaa proteiineja tai peptidejä eri rakenteellisten, toiminnallisten ja vuorovaikutus profiileja tutkimalla niiden erottaa ominaisuuksia koostumuksissa, korrelaatioita, ja jakaumat osatekijän aminohapot ja niiden rakenne- ja fysikaalis-kemialliset ominaisuudet ”.
Kaikissa näissä kohdissa sisältää päällekkäisiä tekstiä lainaus mukana loppuun jokaisen lauseen, lukuun ottamatta viimeisen kohdan kanssa päällekkäisiä tekstin julkaisun alla:
BMC Bioinformatics. 2007 17 elokuu, 8: 300.
tehokkuus eri proteiinin kuvaajien ennustettaessa proteiinin toiminnallista perheitä.
Ong SA, Lin HH, Chen YZ, Li ZR, Cao Z.
lisäksi osa tekstistä alla menetelmät jaksossa menee päällekkäin että aikaisemmista julkaisua:
PLoS One. 2011; 6 (8): e23146.
Prediction lämpöstabiilisuuden aminohaposta attribuutteja yhdistämällä klustereiden Attribuuttimittausvälinein painotus: uusi vista tekniikan entsyymejä.
Ebrahimin M, Lakizadeh A, Agha -Golzadeh P, Ebrahimie E, Ebrahimin M.
tunnistetut ongelmat eivät vaikuta tuloksiin ja johtopäätökset. Kirjoittajat anteeksi tapauksia plagioinnista edellä mainittiin.
Citation: Hosseinzadeh F, Ebrahimin M, Goliaei B, Shamabadi N (2012) Korjaus: luokittelu Keuhkosyöpä Kasvaimet Perustuu rakenne- ja fysikaalis-kemialliset ominaisuudet proteiinien bioinformatiikan mallit. PLoS ONE 7 (12): 10,1371 /merkintä /2b218d50-a9d5-45b2-80d0-0e806e530749. doi: 10,1371 /merkintä /2b218d50-a9d5-45b2-80d0-0e806e530749
Julkaistu: 04 joulukuu 2012
Copyright: © 2012. Tämä on avoin pääsy artikkeli jaettu ehdoilla Creative Commons Nimeä lisenssi, joka sallii rajoittamattoman käytön, jakelun ja lisääntymiselle millä tahansa välineellä edellyttäen, että alkuperäinen kirjoittaja ja lähde hyvitetään.