Serum integrative omics reveals the landscape of human diabetic kidney disease
Notice bibliographique
Résumé
OBJECTIVE: Diabetic kidney disease (DKD) is the most common microvascular complication of type 2 diabetes mellitus (2-DM). Currently, urine and kidney biopsy specimens are the major clinical resources for DKD diagnosis. Our study proposes to evaluate the diagnostic value of blood in monitoring the onset of DKD and distinguishing its status in the clinic. METHODS: This study recruited 1,513 participants including healthy adults and patients diagnosed with 2-DM, early-stage DKD (DKD-E), and advanced-stage DKD (DKD-A) from 4 independent medical centers. One discovery and four testing cohorts were established. Sera were collected and subjected to training proteomics and large-scale metabolomics. RESULTS: -macroglobulin, cathepsin D, and CD324 could serve as a surrogate protein biomarker for monitoring DKD progression. Second, metabolomics demonstrated that galactose metabolism and glycerolipid metabolism are the major disturbed metabolic pathways in DKD, and serum metabolite glycerol-3-galactoside could be used as an independent marker to predict DKD. Third, integrating proteomics and metabolomics increased the diagnostic and predictive stability and accuracy for distinguishing DKD status. CONCLUSIONS: Serum integrative omics provide stable and accurate biomarkers for early warning and diagnosis of DKD. Our study provides a rich and open-access data resource for optimizing DKD management.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».