The value of proteomics for the diagnosis of a platelet-related bleeding disorder
Notice bibliographique
Résumé
Familial bleeding problems are frequently difficult to diagnose because currently used clinical tests cannot identify intracellular molecular defects of platelets. Using platelet proteomics, a comprehensive analytical tool, we diagnosed a family with severe bleeding problems of unknown origin with Quebec Platelet Disorder. Prior to proteomic analysis, we determined platelet counts, presence of glycoprotein (GP) Ib and GPIIb/IIIa, platelet aggregation, dense granule content and release, plasma levels of fibrinogen, Factor XIII and fibrin degradation products in four family members. Abnormalities were detected in platelet aggregation studies, which revealed variably reduced responses to ADP, collagen and epinephrine with concomitantly decreased ATP/serotonin secretion. In addition, D-dimer levels were significantly elevated 72 hours after in vitro thrombin stimulation of platelet-rich plasma. Together with the autosomal dominant inheritance and the delayed onset of bleeding in two of the four patients these results did not support any known platelet disorder. Therefore, the proteome of platelet lysates separated by one-dimensional SDS-PAGE was analysed by liquid chromatography-tandem mass spectrometry (LC-MS/MS). Platelet proteomics showed reduced amounts of alpha-granule proteins multimerin, fibrinogen and thrombospondin-1 in patient compared to control samples suggestive of Quebec Platelet Disorder. The diagnosis of Quebec Platelet Disorder was confirmed by urokinase-specific Western blots. Urokinase causes the degradation of alpha-granule proteins in this disorder. Diagnosis of rare bleeding disorders has important implications for prophylactic and acute treatment of bleeding patients. This is the first report using proteomics to identify a familial platelet defect.
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 | 0,000 | 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 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 ».