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
A myriad of proteins and peptides can be identified in normal human urine. These are derived from a variety of sources including glomerular filtration of blood plasma, cell sloughing, apoptosis, proteolytic cleavage of cell surface glycosylphosphatidylinositol-linked proteins, and secretion of exosomes by epithelial cells. Mass spectrometry-based approaches to urinary protein and peptide profiling can, in principle, reveal changes in excretion rates of specific proteins/peptides that can have predictive value in the clinical arena, e.g. in the early diagnosis of disease, in classification of disease with regard to likely therapeutic responses, in assessment of prognosis, and in monitoring response to therapy. These approaches have potential value, not only in diseases of the kidney and urinary tract but also in systemic diseases that are associated with circulating small protein and peptide markers that can pass the glomerular filter. Most large scale biomarker discovery studies reported thus far have used one of two approaches to identify proteins and peptides whose excretion in urine changes in specific disease states: 1) two-dimensional electrophoresis with mass spectrometric and/or immunochemical identification of proteins and 2) top-down mass spectrometric methods (SELDI-TOF-MS and capillary electrophoresis-MS). These studies have been chiefly in the areas of nephrology, urology, and oncology. We review these applications, focusing on two areas of progress, viz. in bladder cancer and in acute rejection of renal transplants. Progress has been limited so far. However, with the advent of powerful LC-MS/MS methods along with methods for quantifying LC-MS/MS output, there is hope for an accelerated discovery and validation of disease biomarkers in urine.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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