Erythrocyte aggregation in relation to plasma proteins and lipids
Notice bibliographique
Résumé
In static or low-flow conditions erythrocytes form linear or three-dimensional aggregates with characteristic face-to-face morphology, similar to a stack of coins, often called rouleaux formation. This aggregation is reversible and shear dependent (i.e. dispersed at high shear and reformed at low shear or stasis) and caused by a variety of macromolecules present in the blood plasma. The plasma protein fibrinogen is the major plasma component promoting red blood cell (RBC) aggregation in blood, with an almost linear relationship between aggregate size and plasma fibrinogen concentration. However, other plasma proteins are also reported to increase RBC aggregation, e.g. α2-macroglobulin, immunoglobulin M or G. In addition, there is evidence, that plasma lipids like cholesterol or triglyceride may influence the aggregation of erythrocytes. In this study we evaluated whether there is an independent influence of proteins and lipids on the RBC aggregation. Using a regression analysis, we analyzed the correlation between the fibrinogen-, α2-macrogobulin-, immunoglobulin M-, Antithrombin III-, Protein C-, Factor VIII-, total cholesterol- and triglyceride concentration with RBC aggregation in blood samples from 2717 apparently healthy subjects or patients. An univariate analysis showed, that the only variable which correlates on a biologically relevant level is fibrinogen ( r = 0.46). The multiple correlation coefficient corresponded to r mult = 0.589 what indicated that nearly 59% of the variation of the erythrocyte aggregation can be explained by the influencing factors used in this model. This clearly showed that there are additional factors which are involved in the process of erythrocyte aggregation and still are under discussion.
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) | 0,000 | 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) | 0,000 | 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 ».