Development and Validation of a MicroRNA Panel to Differentiate Between Patients with Rheumatoid Arthritis or Systemic Lupus Erythematosus and Controls
Notice bibliographique
Résumé
OBJECTIVE: MicroRNA (miRNA) are short noncoding RNA that regulate genes and are both biomarkers and mediators of disease. We used small RNA (sRNA) sequencing and machine learning methodology to develop an miRNA panel to reliably differentiate between rheumatoid arthritis (RA) or systemic lupus erythematosus (SLE) and control subjects. METHODS: Plasma samples from 167 RA and 91 control subjects who frequency-matched for age, race, and sex were used for sRNA sequencing. TIGER was used to analyze miRNA. DESeq2 and random forest analyses were used to identify a prioritized list of miRNA differentially expressed in patients with RA. Prioritized miRNA were validated by quantitative PCR, and lasso and logistic regression were used to select the final panel of 6 miRNA that best differentiated RA from controls. The panel was validated in a separate cohort of 12 SLE, 32 RA, and 32 control subjects. Panel efficacy was assessed by area under the receiver operative characteristic curve (AUC) analyses. RESULTS: The final panel included miR-22-3p, miR-24-3p, miR-96-5p, miR-134-5p, miR-140-3p, and miR-627-5p. The panel differentiated RA from control subjects in discovery (AUC = 0.81) and validation cohorts (AUC = 0.71), seronegative RA (AUC = 0.84), RA remission (AUC = 0.85), and patients with SLE (AUC = 0.80) versus controls. Pathway analysis showed upstream regulators and targets of panel miRNA are associated with pathways implicated in RA pathogenesis. CONCLUSION: An miRNA panel identified by a bioinformatic approach differentiated between RA or SLE patients and control subjects. The panel may represent an autoimmunity signature, perhaps related to inflammatory arthritis, which is not dependent on active disease or seropositivity.
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 ».