Benefit of Apabetalone on Plasma Proteins in Renal Disease
Notice bibliographique
Résumé
INTRODUCTION: anti-inflammatory and antiatherosclerotic properties. In phase 2 clinical trials, this drug reduced the incidence of major adverse cardiac events in patients with cardiovascular disease. Chronic kidney disease is associated with a progressive loss of renal function and a high risk of cardiovascular disease. We studied the impact of apabetalone on the plasma proteome in patients with impaired kidney function. METHODS: Subjects with stage 4 or 5 chronic kidney disease and matched controls received a single dose of apabetalone. Plasma was collected for pharmacokinetic analysis and for proteomics profiling using the SOMAscan 1.3k platform. Proteomics data were analyzed with Ingenuity Pathway Analysis to identify dysregulated pathways in diseased patients, which were targeted by apabetalone. RESULTS: microglobulin, which correlate with renal function. Bioinformatics analysis of the plasma proteome revealed a significant activation of 42 pathways that control immunity and inflammation, oxidative stress, endothelial dysfunction, vascular calcification, and coagulation. At 12 hours postdose, apabetalone countered the activation of pathways associated with renal disease and reduced the abundance of disease markers, including interleukin-6, plasminogen activator inhibitor-1, and osteopontin. CONCLUSION: These data demonstrated plasma proteome dysregulation in renally impaired patients and the beneficial impact of apabetalone on pathways linked to chronic kidney disease and its cardiovascular complications.
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 | 0,000 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 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 ».