Using Stepwise Pharmacogenomics and Proteomics to Predict Hepatitis C Treatment Response in Difficult to Treat Patient Populations
Notice bibliographique
Résumé
PURPOSE: In the interferon era of hepatitis C virus (HCV) therapies, genotype/subtype, cirrhosis, prior treatment failure, sex, and race predicted relapse. Our objective is to validate a targeted proteomics platform of 17 peptides to predict sustained virologic response (SVR). EXPERIMENTAL DESIGN: Stored plasma from three, open-label, trials of HIV/HCV-coinfected subjects receiving interferon-containing regimens is identified. LC-MS/MS is used to quantitate the peptides directly from plasma, and IL28B genotyping is completed using stored peripheral blood mononuclear cells (PBMC). A logistic regression model is built to analyze the probability of SVR using responders and nonresponders to interferon-based regimens. RESULTS: The cohort (N = 35) is predominantly black (51.4%), male (86%), and with median age 48 years. Most patients achieve SVR (54%). Using multivariable models, it is verified that three human corticosteroid binding globulin (CBG) peptides are predictive of SVR in patients with the unfavorable IL28B genotypes (CT/TT). The model performs better than IL28B alone, with an area under the curve of 0.870. CONCLUSIONS AND CLINICAL RELEVANCE: In HIV/HCV-coinfected patients, three human CBG peptides that accurately predict treatment response with interferon-based therapy are identified. This study suggests that a stepwise approach combining a genetic predictor followed by targeted proteomics can improve the accuracy of clinical decision-making.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».