Gingival Tissue Transcriptomes Identify Distinct Periodontitis Phenotypes
Notice bibliographique
Résumé
The currently recognized principal forms of periodontitis-chronic and aggressive-lack an unequivocal, pathobiology-based foundation. We explored whether gingival tissue transcriptomes can serve as the basis for an alternative classification of periodontitis. We used cross-sectional whole-genome gene expression data from 241 gingival tissue biopsies obtained from sites with periodontal pathology in 120 systemically healthy nonsmokers with periodontitis, with available data on clinical periodontal status, subgingival microbial profiles, and serum IgG antibodies to periodontal microbiota. Adjusted model-based clustering of transcriptomic data using finite mixtures generated two distinct clusters of patients that did not align with the current classification of chronic and aggressive periodontitis. Differential expression profiles primarily related to cell proliferation in cluster 1 and to lymphocyte activation and unfolded protein responses in cluster 2. Patients in the two clusters did not differ with respect to age but presented with distinct phenotypes (statistically significantly different whole-mouth clinical measures of extent/severity, subgingival microbial burden by several species, and selected serum antibody responses). Patients in cluster 2 showed more extensive/severe disease and were more often male. The findings suggest that distinct gene expression signatures in pathologic gingival tissues translate into phenotypic differences and can provide a basis for a novel classification.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 ».