Mining biomarkers in human sera using proteomic tools
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
One of the major difficulties in mining low abundance biomarkers from serum or plasma is due to the fact that a small number of proteins such as albumin, alpha2-macroglobulin, transferrin, and immunoglobulins, may represent as much as 80% of the total serum protein. The large quantity of these proteins makes it difficult to identify low abundance proteins in serum using traditional 2-dimensional electrophoresis. We recently used a combination of multidimensional liquid chromatography and gel electrophoresis coupled to matrix-assisted laser desorption/ionization-quadrupole-time of flight and Ion Trap liquid chromatography-tandem mass spectrometry to identify protein markers in sera of Alzheimer's disease (AD), insulin resistance/type-2 diabetes (IR/D2), and congestive heart failure (CHF) patients. We identified 8 proteins that exhibit higher levels in control sera and 36 proteins that exhibit higher levels in disease sera. For example, haptoglobin and hemoglobin are elevated in sera of AD, IR/D2, and CHF patients. The levels of several other proteins including fibrinogen and its fragments, alpha 2-macroglobulin, transthyretin, pro-platelet basic protein, protease inhibitors clade A and C, as well as proteins involved in the classical complement pathway such as complement C3, C4, and C1 inhibitor, were found to differ between IR/D2 and control sera. The sera levels of proteins, such as the 10 kDa subunit of vitronectin, alpha 1-acid glycoprotein, apolipoprotein B100, fragment of factor H, and histidine-rich glycoprotein were observed to be different between AD and controls. The differences observed in these biomarker candidates were confirmed by Western blot and the enzyme-linked immunosorbent assay. The biological meaning of the proteomic changes in the disease states and the potential use of these changes as diagnostic tools or for therapeutic intervention will be discussed.
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.
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) | 0,000 | 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 découle