Distinguishing and Biochemical Phenotype Analysis of Epilepsy Patients Using a Novel Serum Profiling Platform
Notice bibliographique
Résumé
Diagnosis of non-symptomatic epilepsy includes a history of two or more seizures and brain imaging to rule out structural changes like trauma, tumor, infection. Such analysis can be problematic. It is important to develop capabilities to help identify non-symptomatic epilepsy in order to better monitor and understand the condition. This understanding could lead to improved diagnostics and therapeutics. Serum mass peak profiling was performed using electrospray ionization mass spectrometry (ESI-MS). A comparison of sera mass peaks between epilepsy and control groups was performed via leave one [serum sample] out cross-validation (LOOCV). MS/MS peptide analysis was performed on serum mass peaks to compare epilepsy patient and control groups. LOOCV identified significant differences between the epilepsy patient group and control group (p = 10−22). This value became non-significant (p = 0.10) when the samples were randomly allocated between the groups and reanalyzed by LOOCV. LOOCV was thus able to distinguish a non-symptomatic epilepsy patient group from a control group based on physiological differences and underlying phenotype. MS/MS was able to identify potential peptide/protein changes involved in this epilepsy versus control comparison, with 70% of the top 100 proteins indicating overall neurologic function. Specifically, peptide/protein sera changes suggested neuro-inflammatory, seizure, ion-channel, synapse, and autoimmune pathways changing between epilepsy patients and controls.
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 | 0,000 | 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 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 ».