The challenge of measuring <scp>IL</scp>‐33 in serum using commercial <scp>ELISA</scp>: lessons from asthma
Notice bibliographique
Résumé
BACKGROUND: Interleukin-33 (IL-33) has been subject of extensive study in the context of inflammatory disorders, particularly in asthma. Many human biological samples, including serum, have been used to determine the protein levels of IL-33, aiming to investigate its involvement in asthma. Reliable methods are required to study the association of IL-33 with disease, especially considering the complex nature of serum samples. OBJECTIVE: We evaluated four IL-33 ELISA kits, aiming to determine a robust and reproducible approach to quantifying IL-33 in human serum from asthma patients. METHODS: IL-33 levels were investigated in serum of well-defined asthma patients by the Quantikine, DuoSet (both R&D systems), ADI-900-201 (Enzo Life Sciences), and SKR038 (GenWay Biotech Inc San Diego USA) immunoassays, as well as spiking experiments were performed using recombinant IL-33 and its soluble receptor IL-1RL1-a. RESULTS: We show that 1) IL-33 is difficult to detect by ELISA in human serum, due to lack of sensitivity and specificity of currently available assays; 2) human serum interferes with IL-33 quantification, in part through IL-1RL1-a; and 3) using non-serum certified kits may lead to spurious findings. CONCLUSION AND CLINICAL RELEVANCE: If IL-33 is to be studied in the serum of asthma patients and other diseases, a more sensitive and specific assay method is required, which will be vital for further understanding and targeting of the IL-33/IL-1RL1 axis in human disease.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».