Evaluation of RNA Blood Biomarkers in the Parkinson’s Disease Biomarkers Program
Notice bibliographique
Résumé
There is a high misdiagnosis rate between Parkinson’s disease (PD) and atypical parkinsonian disorders, such as progressive supranuclear palsy (PSP), the second most common parkinsonian syndrome. In our earlier studies, we identified and replicated RNA blood biomarkers in several independent cohorts, however, replication in a cohort that includes PSP patients has not yet been performed. To this end, we evaluated the diagnostic potential of 9 previously identified RNA biomarkers using quantitative PCR assays in 138 blood samples at baseline from PD, PSP and healthy controls (HC) nested in the Parkinson’s Disease Biomarkers Program. Linear discriminant analysis showed that COPZ1 and PTPN1 distinguished PD from PSP patients with 62.5% accuracy. Five biomarkers, PTPN1, COPZ1, FAXDC2, SLC14A1s, and NAMPT were useful for distinguishing PSP from controls with 69% accuracy. Several biomarkers correlated with clinical features in PD patients. SLC14A1-s correlated with Unified Parkinson's Disease Rating Scale total and part III scores. In addition, COPZ1, PTPN1 and MLST8, correlated with Montreal Cognitive Assessment. Interestingly, COPZ1, EFTUD2 and PTPN1 were downregulated in cognitively impaired compared to normal subjects. Linear discriminant analysis showed that age, PTPN1, COPZ1, FAXDC2, EFTUD2 and MLST8 distinguished cognitively impaired from normal subjects with 65.9 % accuracy. These results suggest that COPZ1 and PTPN1 are useful for distinguishing PD from PSP patients. In addition, the combination of PTPN1, COPZ1, FAXDC2, EFTUD2 and MLST8 is a useful signature for cognitive impairment. Evaluation of these biomarkers in a larger study will be key to advancing these biomarkers into the clinic.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».