Applying single‐cell technologies to clinical pathology: progress in nephropathology
Notice bibliographique
Résumé
Cells represent the basic building blocks of living organisms. Accurate characterisation of cellular phenotype, intercellular signalling networks, and the spatial organisation of cells within organs is crucial to deliver a better understanding of the processes underpinning physiology, and the perturbations that lead to disease. Single-cell methodologies have increased rapidly in scale and scope in recent years and are set to generate important insights into human disease. Here, we review current practices in nephropathology, which are dominated by relatively simple morphological descriptions of tissue biopsies based on their appearance using light microscopy. Bulk transcriptomics have more recently been used to explore glomerular and tubulointerstitial kidney disease, renal cancer, and the responses to injury and alloimmunity in kidney transplantation, generating novel disease insights and prognostic biomarkers. These studies set the stage for single-cell transcriptomic approaches that reveal cell-type-specific gene expression patterns in health and disease. These technologies allow genome-wide disease susceptibility genes to be interpreted with the knowledge of the specific cell populations within organs that express them, identifying candidate cell types for further study. Single-cell technologies are also moving beyond assaying individual cellular transcriptomes, to measuring the epigenetic landscape of single cells. Single-cell antigen-receptor gene sequencing also enables specific T- and B-cell clones to be tracked in different tissues and disease states. In the coming years these rich 'multi-omic' descriptions of kidney disease will enable histopathological descriptions to be comprehensively integrated with molecular phenotypes, enabling better disease classification and prognostication and the application of personalised treatment strategies. © 2020 The Authors. The Journal of Pathology published by John Wiley & Sons Ltd on behalf of Pathological Society of Great Britain and Ireland.
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 | 0,009 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,003 |
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 ».