Pretransplant Transcriptome Profiles Identify among Kidneys with Delayed Graft Function Those with Poorer Quality and Outcome
Notice bibliographique
Résumé
Robust biomarkers are needed to identify donor kidneys with poor quality associated with inferior early and longer-term outcome. The occurrence of delayed graft function (DGF) is most often used as a clinical outcome marker to capture poor kidney quality. Gene expression profiles of 92 preimplantation biopsies were evaluated in relation to DGF and estimated glomerular filtration rate (eGFR) to identify preoperative gene transcript changes associated with short-term function. Patients were stratified into those who required dialysis during the first week (DGF group) versus those without (noDGF group) and subclassified according to 1-month eGFR of >45 mL/min (eGFR(hi)) versus eGFR of ≤45 mL/min (eGFR(lo)). The groups and subgroups were compared in relation to clinical donor and recipient variables and transcriptome-associated biological pathways. A validation set was used to confirm target genes. Donor and recipient characteristics were similar between the DGF versus noDGF groups. A total of 206 probe sets were significant between groups (P < 0.01), but the gene functional analyses failed to identify any significantly affected pathways. However, the subclassification of the DGF and noDGF groups identified 283 probe sets to be significant among groups and associated with biological pathways. Kidneys that developed postoperative DGF and sustained an impaired 1-month function (DGF(lo) group) showed a transcriptome profile of significant immune activation already preimplant. In addition, these kidneys maintained a poorer transplant function throughout the first-year posttransplant. In conclusion, DGF is a poor marker for organ quality and transplant outcome. In contrast, preimplant gene expression profiles identify "poor quality" grafts and may eventually improve organ allocation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».