The long noncoding RNA MALAT1 predicts human islet isolation quality
Notice bibliographique
Résumé
Human islet isolation is a cost-/resource-intensive program generating islets for cell therapy in Type 1 diabetes. However, only a third of cadaveric pancreas get to clinical transplantation due to low quality/number of islets. There is a need to identify biomarker(s) that predict the quality of islets, prior to initiating their isolation. Here, we sequenced transcriptome from 18 human islet preparations stratified into three groups (Gr.1: Best quality/transplantable islets, Gr.2: Intermediary quality, Gr.3: Inferior quality/non-transplantable islets) based on routine measurements including islet purity/viability. Machine-learning algorithms involving penalized regression analyses identified 10 long-non-coding(lnc)RNAs significantly different across all group-wise comparisons (Gr1VsGr2, Gr2vsGr3, Gr1vsGr3). Two variants of Metastasis-Associated Lung Adenocarcinoma Transcript-1(MALAT1) lncRNA were common across all comparisons. We confirmed RNA-seq findings in a "validation set" of 75 human islet preparations. Finally, in 19 pancreas samples, we demonstrate that assessing the levels of MALAT1 variants alone (ROC curve AUC: 0.83) offers highest specificity in predicting post-isolation islet quality and improves the predictive potential for clinical islet transplantation when combined with Edmonton Donor Points/Body Mass Index(BMI)/North American Islet Donor Score(NAIDS). We present this resource of islet-quality-stratified lncRNA transcriptome data and identify MALAT1 as a biomarker that significantly enhances current selection methods for clinical (GMP)-grade islet isolation.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 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) | 0,002 | 0,001 |
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 ».