Urinary metabolomics of gastric cancer.
Notice bibliographique
Résumé
22 Background: Gastric cancer (GC) has 70-75% mortality, attributable to delayed diagnosis. There is no standard screening in North America. Metabolomics is a systems biology approach to measure low molecular weight chemicals (metabolites) in body fluids or tissues to provide a phenotypic “fingerprint” of disease etiology. In this preliminary study it was hypothesized that metabolic profiling of urine samples using 1H-NMR spectroscopy could discriminate between resectable gastric adenocarcinoma (GC), benign gastric disease (BN), and healthy (HE) patients (pts). Methods: Midstream urine samples were collected, processed, and biobanked at -80°C, from 30 BN, 30 HE and 16 of 29 GC pts visiting three Edmonton clinics from August 2013 – January 2014. Thirteen of 29 samples were retrieved from a 2009-13 GC biobank. Samples were matched on age, gender and BMI. Using a validated standard operating procedure each sample was analyzed using high resolution 1H-NMR spectroscopy. Resulting spectral traces were converted into annotated and quantified metabolite profiles of 58 metabolites. Univariate and multivariate statistical analysis uncovered a disease specific biomarker profile. Partial Least Squares Discriminant Analysis (PLS-DA) developed a GC vs. HE discriminative model. A Receiver Operator Characteristic (ROC) curve was constructed. Results: There was no significant difference in metabolite profiles between GC and BN pts. However, univariate analysis revealed 13 metabolites that differed significantly between GC and HE (p<0.05). Correlation analysis, followed by PLS-DA produced a discriminative model with an area under ROC curve of 0.996, such that for a specificity of 100% the corresponding sensitivity was 93%. Conclusions: GC pts have a distinct urinary metabolite profile compared to HE controls; however in this study metabolic profiling was unable to discriminate GC from BN pts. This was probably due to sample size and phenotypic heterogeneity of BN patients. This preliminary study shows clinical potential for metabolic profiling for early GC detection.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».