Transient ischemic attacks characterized by RNA profiles in blood
Notice bibliographique
Résumé
OBJECTIVE: Transient ischemic attacks (TIA) are common. Though systemic inflammation and thrombosis are associated with TIA, further study may provide insight into TIA pathophysiology and possibly lead to the development of treatments specifically targeted to TIA. We sought to determine whether gene expression profiles in blood could better characterize the proinflammatory and procoagulant states in TIA patients. METHODS: RNA expression in blood of TIA patients (n = 26) was compared to vascular risk factor control subjects without symptomatic cardiovascular disease (n = 26) using Affymetrix U133 Plus 2.0 microarrays. Differentially expressed genes in TIA were identified by analysis of covariance and evaluated with cross-validation and functional analyses. RESULTS: Patients with TIA had different patterns of gene expression compared to controls. There were 480 probe sets, corresponding to 449 genes, differentially expressed between TIA and controls (false discovery rate correction for multiple comparisons, p ≤ 0.05, absolute fold change ≥1.2). These genes were associated with systemic inflammation, platelet activation, and prothrombin activation. Hierarchical cluster analysis of the identified genes suggested the presence of 2 patterns of RNA expression in patients with TIA. Prediction analysis identified a set of 34 genes that discriminated TIA from controls with 100% sensitivity and 100% specificity. CONCLUSION: Patients with recent TIA have differences of gene expression in blood compared to controls. The 2 gene expression profiles associated with TIA suggests heterogeneous responses between subjects with TIA that may provide insight into cause, risk of stroke, and other TIA pathophysiology.
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) | 0,001 | 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 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 ».