DOP08 Serum proteomics predict endoscopic remission in patients with Crohn’s Disease
Notice bibliographique
Résumé
Abstract Background Recent progress in deciphering the complex pathogenesis of Crohn’s disease (CD) has yielded several effective biologicals. However, ambitious therapeutic goals remain unfulfilled as almost 30% of patients are primary non-responders to a particular biological. This underscores the need for easy-to-implement biomarkers that predict (non-)remission. We aimed to identify serum protein biomarkers that predict endoscopic remission in CD patients. Methods Serum samples from 169 consecutive CD patients with active endoscopic disease (presence of ulcerations) before starting a biological [infliximab (IFX), adalimumab (ADA), vedolizumab (VDZ) or ustekinumab (UST)] to which they were naïve were collected. Patients were prospectively followed with endoscopic re-assessment after 6–12 months. There were 102 patients (Table 1) with endoscopic remission (SES ≤ 2 or disappearance of all ulcers), whereas 67 showed no improvement. Two independent and complementary proteomic platforms were used: 644 proteins belonging to predesigned assays were quantified using Proximity Extension Assay (PEA) technology (Olink Proteomics AB, Sweden). Second, wide protein discovery mass spectrometry (MS)-based technic (Caprion, Canada) was used and quantified another 985 proteins. A multivariate modelling framework was then applied on a randomly selected training sub-cohort (85%). Predictive performance of identified panels was assessed on the remaining test sub-cohort (15%). We sought to implement the same framework on the drug-specific subgroups; however, train/test splitting was not possible in IFX or ADA subgroups due to very few observations in the non-remission arms which diminishes the possibility for reliable predictive modelling. Results Applying the modelling framework on training sets from the general cohort, VDZ subgroup and UST subgroup, proteomic panels were selected and consisted of 26, 6 and 8 proteins, respectively, and showed high performance in the test sets (Table 2). VDZ and UST panels shared only 2 proteins each with the general panel, and had no predictive power (accuracy ≤ 0.5) when used to predict other subgroups, making them specific to their respective drugs. Selected proteins are involved among others in pro-inflammatory, extracellular matrix modelling, coagulation and cellular-vascular interaction pathways (Table 3). Conclusion Applying a multivariate machine learning algorithm on a wide pool of serum proteomics analysed through two discovery technics, we were able to identify 3 proteomic panels that can predict endoscopic (non)remission in patients with CD. Exact implication of these proteins in intestinal inflammation and a validation in an independent cohort is being further investigated.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».