Molecular phenotyping of rejection-related changes in mucosal biopsies from lung transplants
Notice bibliographique
Résumé
Diagnosing lung transplant rejection currently depends on histologic assessment of transbronchial biopsies (TBB) with limited reproducibility and considerable risk of complications. Mucosal biopsies are safer but not histologically interpretable. Microarray-based diagnostic systems for TBBs and other transplants suggest such systems could assess mucosal biopsies as well. We studied 243 mucosal biopsies from the third bronchial bifurcation (3BMBs) collected from seven centers and classified them using unsupervised machine learning algorithms. Using the expression of a set of rejection-associated transcripts annotated in kidneys and validated in hearts and lung transplant TBBs, the algorithms identified and scored major rejection and injury-related phenotypes in 3BMBs without need for labeled training data. No rejection or injury, rejection, late inflammation, and recent injury phenotypes were thus scored in new 3BMBs. The rejection phenotype correlated with IFNG-inducible transcripts, the hallmarks of rejection. Progressive atrophy-related changes reflected by the late inflammation phenotype in 3BMBs suggest widespread time-dependent airway deterioration, which was especially pronounced after two years posttransplant. Thus molecular assessment of 3BMBs can detect rejection in a previously unusable biopsy format with potential utility in patients with severe lung dysfunction where TBB is not possible and provide unique insights into airway deterioration. ClinicalTrials.gov NCT02812290.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 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 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 ».