Levels of Transforming Growth Factor-β Are Low in Systemic Lupus Erythematosus Patients with Active Disease
Notice bibliographique
Résumé
OBJECTIVE: Cytokines are central regulators of the immune response but the workings of this complex network in systemic lupus erythematosus (SLE) are not fully understood. We investigated a range of inflammatory and immune-modulating cytokines to determine their value as biomarkers for disease subsets in SLE. METHODS: This was a cross-sectional study in 102 patients with SLE (87% women, disease duration 10.6 yrs). Circulating concentrations of interleukin 1β (IL-1β), IL-4, IL-6, IL-10, IL-12, IL-17, monocyte chemotactic protein 1 (MCP-1), macrophage inflammatory protein 1 (MIP-1α), MIP-1β, interferon-γ (IFN-γ), tumor necrosis factor-α (TNF-α), and total transforming growth factor-β1 (TGF-β1) were related to disease activity (SLE Disease Activity Index; SLEDAI), lymphocyte subsets, autoantibody levels, accrued damage (Systemic Lupus International Collaborating Clinics/ACR Damage Index; SDI), and concomitant treatment. RESULTS: Patients with SLE had lower levels of TGF-β1 (p = 0.01) and IL-1β (p = 0.0004) compared to controls. TGF-β1 levels were lower in patients with SLEDAI scores 1-10 and SDI > 3; and were correlated with CD4+, CD8+, and natural killer cell counts; and were independent of steroid or cytotoxic drug use. Treatment with cardiovascular drugs was associated with lower IL-12 levels. No consistent disease associations existed for the other cytokines investigated. CONCLUSION: Lower TGF-β1 was the most consistent cytokine abnormality in patients with SLE. The associations with disease activity, lymphocyte subsets, and damage suggest that TGF-β1 may be a therapeutic target of interest in SLE.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 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 ».