Anti‐tRNP<sup>(ser)sec</sup>/SLA/LP autoantibodies. Comparative study using in‐house ELISA with a recombinant 48.8 kDa protein, immunoblot, and analysis of immunoprecipitated RNAs
Notice bibliographique
Résumé
BACKGROUND: Antibodies against tRNP((ser)sec) (ribonucleoproteins, RNP) have been described in our laboratory as markers of poor outcome in type 1 autoimmune hepatitis (AIH). The antigenic protein has been sequenced and cloned as a 48.8 kDa protein and identified with soluble liver antigen (SLA) and liver-pancreas (LP) antigen. The aim of this paper was to determine the best assay by which to detect these antibodies in type 1 AIH. METHODS: A simple and reliable enzyme linked immunoassay based on prokaryotically expressed protein was compared with an immunoblot assay using prokaryotically- and eukaryotically-expressed proteins and an assay based on immunoprecipitated RNAs from HeLa cell extracts. Eighty-one sera from 58 patients with type 1 AIH, 168 sera from patients with autoimmune diseases or chronic hepatitis C, and 60 sera from healthy subjects were similarly tested. RESULTS: The specificity of the assays was 100%, but the frequency of seropositivity was higher in the assay based on immunoprecipitated RNAs (44.4%) than in the enzyme-linked immunosorbent assay (ELISA) (16%) and the immunoblot assay with prokaryotically (12.34%) and eukaryotically (14.8%)-expressed protein. There were no clinical differences between the patients positive by ELISA, immunoblot assay, or immunoprecipitated RNAs. CONCLUSIONS: These results suggest that the analysis of the immunoprecipitated RNAs is the most useful, sensitive and specific method to detect anti-tRNP((ser)sec)/SLA/LP autoantibodies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».