Abstract 517: Fast, Accurate And Reliable Detection of Extracellular Vesicles in Human Plasma by Flow Cytometry: a Step Toward Personalized Medicine
Notice bibliographique
Résumé
The interest for the detection of extracellular vesicles (EVs) as potential biomarkers in human health and disease is growing exponentially. Their fast and accurate detection and characterization in clinical settings is thus crucial to empower their use in personalized medicine. Because of its ability to discriminate between many EV subsets, flow cytometry (FCM) used in combination with other state of the art techniques, such as cryogenic electron microscopy and dynamic light scattering would be a tool of interest for EV-based diagnostics. However, the small size of EVs hampers the widespread use of standard FCM in the field. The purpose of this study is to enable an efficient and powerful method of quantitative and qualitative assessment of EVs in human plasma by FCM. Using a mixture of latex and silica beads whose size range from 110 to 1300 nm, counting beads, and 405 nm bandpass filter on the violet laser as side scatter detector, we were able to set an EV gate that allows for robust and accurate detection of circulating EVs in human platelet-free plasma (PFP). The EV gate was used to study the two main subsets of EVs retrieved in blood, namely EVs derived from platelets (CD41a+Phosphatidylserine+CD45-) and red blood cells (CD235a+CD45-), in human blood drawn on citrate, EDTA, or heparin, three commonly used anticoagulants. In addition, we used the t-Distributed Stochastic Neighbor Embedding (tSNE) algorithm as a platform in an attempt to instantly detect phenotype changes within the overall population of EVs and their specific subsets. The phenotype of circulating EVs revealed that there are observable differences between anticoagulants, as analysed by tSNE. However, the phenotype of platelet- and red blood cell-derived EVs per se were unaltered by anticoagulants. Overall, our findings provide an innovative framework that can be used for the characterization of EV subtypes by FCM in healthy and diseased individuals.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».