On Path to Informing Hierarchy of Eplet Mismatches as Determinants of Kidney Transplant Loss
Notice bibliographique
Résumé
INTRODUCTION: To mitigate risks related to human leukocyte antigen (HLA) incompatibility, we assessed whether certain structurally defined HLA targets present in donors but absent from recipients, known as eplet mismatches (EMM), are associated with death-censored graft failure (DCGF). METHODS: We studied a cohort of 118,313 American 0% panel reactive antibodies (PRA) first kidney transplant recipients (2000 to 2015) from the Scientific Registry of Transplant Recipients. Imputed allele-level donor and recipient HLA-A, -B, -C, -DRB1, and -DQB1 genotypes were converted to the repertoire of EMM. We fit survival models for each EMM with significance thresholds corrected for false discovery rate and validated those in an independent PRA > 0% cohort. We conducted network-based analyses to model relationships among EMM and developed models to select the subset of EMM most predictive of DCGF. RESULTS: Of 412 EMM observed, 119 class I and 118 class II EMM were associated with DCGF. Network analysis showed that although 210 eplets formed profiles of 2 to 12 simultaneously occurring EMMs, 202 were singleton EMMs that were not involved in any profile. A variable selection procedure identified 55 single HLA class I and II EMMs in 70% of the dataset; of those, 15 EMMs (9 singleton and 6 involved in profiles) were predictive of DCGF in the remaining dataset. CONCLUSION: Our analysis distinguished increasingly smaller subsets of EMMs associated with increased risk of DCGF. Validation of these EMMs as important predictors of transplant outcomes (in contrast to acceptable EMMs) in datasets with measured allele-level genotypes will support their role as immunodominant EMMs worthy of consideration in organ allocation schemes.
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 | 0,001 |
| 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 ».