Long noncoding RNAs associated with phenotypic severity in multiple sclerosis
Notice bibliographique
Résumé
INTRODUCTION: Multiple sclerosis (MS) is a disease that causes progressive neurological disability. Treatments are available that are protective against MS relapses and it is thought that reduction of early neuroinflammation may improve long term prognosis. At present there is no biomarker that can predict which patients may have a more severe disease course, and potentially benefit from more aggressive therapy. Long noncoding RNAs (lncRNAs) are emerging as potential disease biomarkers that could be of interest in prognostication of MS. METHODS: We identified a discovery cohort of 20 patients, ten of which had a mild MS phenotype and ten with severe MS phenotype according to the Age-Related MS Severity Scale (ARMSS). RNAseq was performed on RNA extracted from whole blood and bioinformatic analysis restricted to lncRNAs. Our goal was to select the most significant lncRNAs and quantify these using custom digital droplet RT-qPCR assays in a validation cohort of 44 participants (with mild or severe MS). RESULTS: Eight lncRNA candidates were identified from the discovery cohort. Of these, four lncRNAs remained significantly differentially expressed in the validation cohort (ENSG00000260302, ENSG00000270972, ENSG00000272512 and ENSG00000223387). Little is known about the precise roles of these lncRNAs but based on expression data they appear to be important to immune function and are of potential biological significance to MS pathogenesis. CONCLUSIONS: This study is the first to investigate possible lncRNA biomarkers to differentiate phenotypic severity in MS. Although the findings are preliminary based on our small sample size, they are sufficient to identify hypotheses for future investigation, and give guidance regarding the design of future studies.
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 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 ».