SPME-LC/MS-based serum metabolomic phenotyping for distinguishing ovarian cancer histologic subtypes: a pilot study
Notice bibliographique
Résumé
Epithelial ovarian cancer (EOC) is the most common cause of death from gynecological cancer. The outcomes of EOC are complicated, as it is often diagnosed late and comprises several heterogenous subtypes. As such, upfront treatment can be highly challenging. Although many significant advances in EOC management have been made over the past several decades, further work must be done to develop early detection tools capable of distinguishing between the various EOC subtypes. In this paper, we present a sophisticated analytical pipeline based on solid-phase microextraction (SPME) and three orthogonal LC/MS acquisition modes that facilitates the comprehensive mapping of a wide range of analytes in serum samples from patients with EOC. PLS-DA multivariate analysis of the metabolomic data was able to provide clear discrimination between all four main EOC subtypes: serous, endometrioid, clear cell, and mucinous carcinomas. The prognostic performance of discriminative metabolites and lipids was confirmed via multivariate receiver operating characteristic (ROC) analysis (AUC value > 88% with 20 features). Further pathway analysis using the top 57 dysregulated metabolic features showed distinct differences in amino acid, lipid, and steroids metabolism among the four EOC subtypes. Thus, metabolomic profiling can serve as a powerful tool for complementing histology in classifying EOC subtypes.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».