Acute organ injury is associated with alterations in the cell-free plasma transcriptome
Notice bibliographique
Résumé
BACKGROUND: Despite a genomic revolution in biological sciences, clinical medicine has yet to integrate diagnostics based upon gene expression into practice. While commonly used plasma protein assays rely on organ-specific origins, nearly all nucleic acid in whole blood is derived from white blood cells limiting their utility to diagnose non-immune disorders. The aim of the study was to use cell-free plasma to define circulating messenger RNA sequences diagnostic of acute organ injury, including myocardial infarction (MI) and acute kidney injury (AKI). METHODS: In healthy human subjects (N = 4) and patients with acute MI (N = 4), we characterized the concentration and nature of circulating plasma RNA through spectrophotometry and chromatography. Through reverse transcriptase polymerase chain reaction (RT-PCR) of amplicons up to 939 base pairs, we determined whether this mRNA was intact but of insufficient quantity to sequence. In mice, we induced an acute anterior myocardial infarction through 1 h of ischemia followed by reperfusion of the left anterior descending (LAD) artery. We compared the cell-free plasma transcriptome using cDNA microarray in sham-operated mice compared to ischemia upon reperfusion and at 1 and 4 h. To determine organ specificity, we compared this profile to acute ischemia-reperfusion of the kidney. RESULTS: In humans, there is more plasma RNA in those with acute MI than in healthy controls. In mice, ischemia-reperfusion of the LAD artery resulted in a time-dependent regulation of 589 circulating mRNA transcripts with less than a 5% overlap in sequences from acute ischemia-reperfusion injury of the kidney. CONCLUSIONS: The mRNA derived from cell-free plasma defines organ injury in a time and injury-specific pattern.
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 ».