Direct Detection of Monoclonal Free Light Chains in Serum by Use of Immunoenrichment-Coupled MALDI-TOF Mass Spectrometry
Notice bibliographique
Résumé
BACKGROUND: Free light chain (FLC) quantification is the most analytically sensitive blood-based method commercially available to diagnose and monitor patients with plasma cell disorders (PCDs). However, instead of directly detecting monoclonal FLCs (mFLCs), FLC assays indirectly assess clonality based on quantifying κ and λ FLCs and determination of the к/λ FLC ratio. Often an abnormal FLC ratio is the only indication of a PCD, and confirmation by a direct method increases diagnostic confidence. The aim of this study was to develop an analytically sensitive method for direct detection of mFLCs. METHODS: Patient sera (n = 167) previously assessed by nephelometric FLC quantification and immunofixation electrophoresis (IFE) were affinity enriched for IgG, IgA, and total and free κ and λ light chains and subjected to MALDI-TOF MS. Relative analytical sensitivity of these methods was determined using serially diluted sera containing mFLCs. RESULTS: In sera with abnormal FLC ratios (n = 127), 43% of monoclonal proteins were confirmed by IFE, 57% by MALDI-TOF MS without FLC enrichment, and 87% with FLC enrichment MALDI-TOF MS. In sera with normal FLC ratios (n = 40), the FLC MALDI-TOF MS method identified 1 patient with an mFLC. Serial dilution and analysis of mFLC containing sera by IFE, nephelometry, and FLC MALDI-TOF MS demonstrated that FLC MALDI-TOF MS analysis had the highest analytical sensitivity. CONCLUSIONS: FLC immunoenrichment coupled to MALDI-TOF MS enables direct detection of mFLCs and significantly increases the confirmation of abnormal serum FLC ratios over IFE and MALDI-TOF MS without FLC enrichment, thereby providing added confidence for diagnosing FLC PCDs.
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 | 0,001 |
| 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) | 0,001 | 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 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 ».