Metabolomics Profiling of Cystic Renal Disease towards Biomarker Discovery
Notice bibliographique
Résumé
Cystic renal disease (CRD) comprises a heterogeneous group of genetic and acquired disorders. The cystic lesions are detected through imaging, either incidentally or after symptoms develop, due to an underlying disease process. In this study, we aim to study the metabolomic profiles of CRD patients for potential disease-specific biomarkers using unlabeled and labeled metabolomics using low and high-resolution mass spectrometry (MS), respectively. Dried-blood spot (DBS) and serum samples, collected from CRD patients and healthy controls, were analyzed using the unlabeled and labeled method. The metabolomics profiles for both sets of samples and groups were collected, and their data were processed using the lab’s standard protocol. The univariate analysis showed (FDR p < 0.05 and fold change 2) was significant to show a group of potential biomarkers for CRD discovery, including uridine diphosphate, cystine-5-diphosphate, and morpholine. Several pathways were involved in CRD patients based on the metabolic profile, including aminoacyl-tRNA biosynthesis, purine and pyrimidine, glutathione, TCA cycle, and some amino acid metabolism (alanine, aspartate and glutamate, arginine and tryptophan), which have the most impact. In conclusion, early CRD detection and treatment is possible using a metabolomics approach that targets alanine, aspartate, and glutamate pathway metabolites.
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 ».