Investigating Blood-Based, Cell-Specific Biomarkers of Acute Cardiac Allograft Rejection
Notice bibliographique
Résumé
Introduction: Cardiac transplantation is the main intervention for patients with end-stage heart failure. Despite great improvements in maintenance immunosuppressive therapies, acute allograft rejection remains a clinical problem. Timely detection of moderate rejection allows for treatment to be modified, preventing organ damage, graft failure and patient death. Regular monitoring for rejection is thus crucial. The endomyocardial biopsy (EMB) is the current standard for monitoring the allograft, but the procedure is highly invasive and costly. Consequently, there is great interest in developing blood-based biomarker tests to monitor for allograft rejection. Blood is a complex tissue, however, and accounting for its dynamic cellular heterogeneity is likely key to identifying robust biomarkers. We investigated whether integrating cellular composition estimates can lead to better performing biomarkers in the context of acute cardiac allograft rejection. Methods: Genome-wide transcript abundance was assayed from PAXgene peripheral whole blood samples obtained from patients undergoing biopsy-confirmed acute allograft rejection (≥2R; n = 29) or not (n = 198), using Affymetrix Human Gene 1.1 ST microarrays. The cellular composition of the blood samples was inferred from their gene expression profiles. Elastic net classifier panels were then identified using the whole blood gene expression, either unadjusted for cellular composition, adjusted for cellular composition for all cell types, or all but one cell type. Out-of-sample performance of the various models was estimated using stratified 5-fold cross-validation. Results: Best cross-validation performance (AUC = 0.75) was achieved by an NK cell-specific classifier panel. Both cell-adjusted and cell-specific classifiers outperformed those identified using unadjusted whole blood gene expression data. Conclusion: Cell-adjusted/specific biomarker panels outperformed those derived from unadjusted whole blood gene expression. Best performance was achieved by an NK cell-specific biomarker panel. The method presented here is a promising way to incorporate cellular composition in the context of biomarker discovery from gene expression in tissue admixtures.Figure
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 | 0,002 | 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 ».