Lipidomic Profiling of Sinus Mucosa from Patients with Chronic Rhinosinusitis
Notice bibliographique
Résumé
Sinusitis is a cause of significant morbidity, substantial healthcare costs, and negative effects on quality of life. The primary objective of this study is to characterize the previously unknown lipid profile of sinonasal mucosa from patients with chronic rhinosinusitis (CRS) and from controls. Sinus mucosa samples were analyzed from 9 CRS patients with concomitant nasal polyps, 11 CRS patients without polyps, and 12 controls. Ten lone polyp samples were also analyzed. Samples were subjected to a modified Bligh/Dyer lipid extraction, then high performance thin layer chromatography (HPTLC), combined gas chromatography/electron impact-mass spectrometry (GC/EI-MS), and flow-injection/electrospray ionization-tandem mass spectrometry (FI/ESI-MS/MS). Data was analyzed for identification and profiling of major components. HPTLC revealed an array of species reflecting the lipid complexity of the samples. GC/EI-MS revealed cholesterol and several fatty acids. FI/ESI-MSMS revealed numerous lipid species, namely a host of phosphatidylcholines, phosphatidylethanolamines, ceramides and cholesteryl esters, but no detectable amounts of phosphatidyinositols or sulfated lipids. These results are a first step to uncover unique molecular biomarkers in CRS.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».