Comparing Microarray Versus RT-PCR Assessment of Renal Allograft Biopsies: Similar Performance Despite Different Dynamic Ranges
Notice bibliographique
Résumé
In renal allografts, assessing gene expression can add relevant diagnostic information to histopathology. Results can be expressed as single genes or gene sets, representing pathogenesis-based transcript sets (PBTs): cytotoxic T-cell-associated, interferon gamma- induced or decreased kidney parenchymal transcripts. Two technology platforms are available: RT-PCR and microarrays. We compared RT-PCR, U133plus2.0 microarrays and histopathology in 86 biopsies. We compared 13 potentially diagnostic genes as RT-PCR probes to microarray-derived PBTs, 'mini'-PBTs (small sets of 3-5 transcripts) and a histology classifier. Most RT-PCR probes (10/13) correlated well with the corresponding microarray probe sets (r > 0.8). Exceptions included FASLG and CD8B1 microarray probe sets, which were not performing on microarrays but were detectable by RT-PCR most likely due to differences in sensitivity. In general, RT-PCR showed greater dynamic range, detecting small changes in normal kidneys, but RT-PCR and microarrays gave similar results in abnormal kidneys. Individual transcripts or mini-PBTs assessed by either platform correlated well with one another, with microarray PBTs and the histology classifier. Thus, microarrays and RT-PCR assessments agree strongly with one another and histopathology in assessing transplant inflammation, particularly, when results are expressed as PBTs or mini-PBTs. The dynamic range of both platforms was sufficient to detect the relevant changes in rejection.
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 | 0,017 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 ».