Multi-Omics Identifies Circulating miRNA and Protein Biomarkers for Facioscapulohumeral Dystrophy
Notice bibliographique
Résumé
The development of therapeutics for muscle diseases such as facioscapulohumeral dystrophy (FSHD) is impeded by a lack of objective, minimally invasive biomarkers. Here we identify circulating miRNAs and proteins that are dysregulated in early-onset FSHD patients to develop blood-based molecular biomarkers. Plasma samples from clinically characterized individuals with early-onset FSHD provide a discovery group and are compared to healthy control volunteers. Low-density quantitative polymerase chain reaction (PCR)-based arrays identify 19 candidate miRNAs, while mass spectrometry proteomic analysis identifies 13 candidate proteins. Bioinformatic analysis of chromatin immunoprecipitation (ChIP)-seq data shows that the FSHD-dysregulated DUX4 transcription factor binds to regulatory regions of several candidate miRNAs. This panel of miRNAs also shows ChIP signatures consistent with regulation by additional transcription factors which are up-regulated in FSHD (FOS, EGR1, MYC, and YY1). Validation studies in a separate group of patients with FSHD show consistent up-regulation of miR-100, miR-103, miR-146b, miR-29b, miR-34a, miR-454, miR-505, and miR-576. An increase in the expression of S100A8 protein, an inflammatory regulatory factor and subunit of calprotectin, is validated by Enzyme-Linked Immunosorbent Assay (ELISA). Bioinformatic analyses of proteomics and miRNA data further support a model of calprotectin and toll-like receptor 4 (TLR4) pathway dysregulation in FSHD. Moving forward, this panel of miRNAs, along with S100A8 and calprotectin, merit further investigation as monitoring and pharmacodynamic biomarkers for FSHD.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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 ».