PLoS ONE: Rettelse: Klassificering af lungekræft tumorer baseret på strukturelle og fysisk-kemiske egenskaber af proteiner ved Bioinformatik Modeller

Forfatterne artiklen ‘ønsker at angive, at på grund af en utilsigtet fejl og misforståelser i forhold til den passende praksis, når der henvises til resultater fra litteraturen, tekst fra tidligere udgivelser blev anvendt ordret uden citater i flere dele af artiklen. Selv om henvisninger til de relevante publikationer blev medtaget, teksten ikke burde have været anvendt ordret og forfatterne undskylder for dette.

overlap i teksten vedrører Indledning og Discussion dele af artiklen, hvor sætninger fra tidligere udgivelser blev gengivet, dette vedrører følgende fragmenter i teksten:

‘Patienter med ikke-småcellet lungekræft tumorer (skællede, AC, og store celle) behandles anderledes end dem med små celle tumorer, derfor patologisk sondring mellem disse to typer af lungetumor er meget vigtigt. De genekspressionsmønstre muliggjort sub klassificering af adenocarcinom i undergrupper, der korrelerede med graden af ​​tumor differentiering samt patientens overlevelse. Genanalyse lover derfor at udvide og forfine standard patologisk analyse [4].

‘Ikke-småcellet lungekræft (NSCLC) er den førende årsag til dødelighed af kræft på verdensplan. På nuværende er til rådighed til at vejlede forvaltningen af ​​denne betingelse ikke pålidelige biomarkører. Microarray teknologi kan tillade passende biomarkører, der skal identificeres, men nuværende platforme mangler sygdom fokus og er derfor tilbøjelige til at gå glip af potentielt afgørende oplysninger i patientens vævsprøver. En kombination af store in-house-sekventering, genekspression profilering og offentlig sekvens og genekspression data mining blev anvendt til at karakterisere transkriptomet af NSCLC [6].

»I nylige undersøgelser, nogle klassificører anvendes til klassifikation af cancer gener eller proteiner, f.eks KNN klassificeringen kan have nogle nytte for nogle problemer microarray klassificering, der handler på hele ikke-dimension reduceret datasæt. De viser, at øget dimensionalitet af disse sæt (overvejer par, tripler eller fire-tupler, snarere end individuelle udskrift sekvenser én efter én) kan føre til betydelige forbedringer med hver dimension vundet [9].

‘I andre undersøgelse, funktioner af proteiner udtrykt i ondartet, godartede og begge kræftformer blev sammenlignet ved hjælp af forskellige screening teknikker, klyngedannelse metoder beslutning træ modeller og generaliseret regel induktion (GRI) algoritmer til at lede efter mønstre af lighed i to godartede og ondartede brystkræft grupper [10 ]

‘gennemføre en systematisk metode, der forudsiger kræft inddragelse af gener ved at integrere heterogene datasæt ved at stole på: (i) protein-protein interaktioner; (Ii) differentiel ekspression data; og (iii) strukturelle og funktionelle egenskaber af cancer gener “[12].

‘Sammenfattende omfattende og detaljeret støtte til tanken om, at genekspression-baserede klassifikation af tumorer snart vil blive klinisk nyttigt for lungekræft har givet “[4].

‘Molekylær klassifikation af NSCLC efter en objektiv kvantitativ test kan være meget præcise og kunne oversættes til en diagnostisk platform for bred klinisk anvendelse «[40].

‘ Disse deskriptorer tjener til at repræsentere og skelne proteiner eller peptider af forskellige strukturelle, funktionelle og interaktion profiler ved at udforske deres fremtrædende træk i kompositioner, sammenhænge og fordelinger af de konstituerende aminosyrer og deres strukturelle og fysisk-kemiske egenskaber. «

Hver af disse stykker indeholder overlap med tekst fra citation inkluderet i slutningen af ​​hver sætning, med undtagelse af det sidste afsnit, der overlapper med tekst fra offentliggørelsen nedenfor:

BMC Bioinformatik. 2007 aug 17 8: 300

Effekt af forskellige protein deskriptorer i forudsige protein funktionelle familier

Ong SA, Lin HH, Chen YZ, Li ZR, Cao Z.

Desuden er nogle af teksten under afsnittet Metoder overlapper det fra vores tidligere offentliggjorte papirer:

PLoS One. 2011; 6 (8): e23146

Forudsigelse af termostabilitet fra aminosyre attributter ved kombination af klyngedannelse med attribut vægtning: en ny vista i teknik enzymer

Ebrahimi M, Lakizadeh A, Agha.. -Golzadeh P, Ebrahimie E, Ebrahimi M.

de identificerede problemer har ingen indflydelse på resultaterne og konklusionerne af undersøgelsen. Forfatterne undskylder for de tilfælde af plagiat anført ovenfor.

Henvisning: Hosseinzadeh F, Ebrahimi M, Goliaei B, Shamabadi N (2012) Korrektion: Klassificering af lungekræft tumorer baseret på strukturelle og fysisk-kemiske egenskaber af proteiner ved Bioinformatik Models. PLoS ONE 7 (12): 10,1371 /annotation /2b218d50-a9d5-45b2-80d0-0e806e530749. doi: 10,1371 /annotation /2b218d50-a9d5-45b2-80d0-0e806e530749

Udgivet: December 4, 2012