Using Next-Generation Sequencing Transcriptomics To Determine Markers of Post-traumatic Symptoms: Preliminary Findings from a Post-deployment Cohort of Soldiers
Notice bibliographique
Résumé
Abstract Post-traumatic stress disorder is a concerning psychobehavioral disorder thought to emerge from the complex interaction between genetic and environmental factors. For soldiers exposed to combat, the risk of developing this disorder is twofold and diagnosis is often late, when much sequela has set in. To be able to identify and diagnose in advance those at “risk” of developing post-traumatic stress disorder, would greatly taper the gap between late sequelae and treatment. Therefore, this study sought to determine whether the transcriptome can be used to track the development of post-traumatic stress disorder in this unique and susceptible cohort of individuals. Gene expression levels in peripheral blood samples from 85 Canadian infantry soldiers (n = 58 participants negative for symptoms of post-traumatic stress disorder and n = 27 participants with symptoms of post-traumatic stress disorder) following return from deployment to Afghanistan were determined using RNA sequencing technology. Count-based gene expression quantification, normalization and differential analysis (with thorough correction for confounders) revealed genes associated to PTSD; LRP8 and GOLM1. These preliminary results provide a proof-of-principle for the diagnostic utility of blood-based gene expression profiles for tracking symptoms of post-traumatic stress disorder in soldiers returning from tour. It is also the first to report transcriptome-wide expression profiles alongside a post-traumatic symptom checklist.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 ».