Diagnosing Alzheimer's Disease from Circulating Blood Leukocytes Using a Fluorescent Amyloid Probe
Notice bibliographique
Résumé
BACKGROUND: Toxic amyloid-β (Aβ) peptides aggregate into higher molecular weight assemblies and accumulate not only in the extracellular space, but also in the walls of blood vessels in the brain, increasing their permeability, and promoting immune cell migration and activation. Given the prominent role of the immune system, phagocytic blood cells may contact pathological brain materials. OBJECTIVE: To develop a novel method for early Alzheimer's disease (AD) detection, we used blood leukocytes, that could act as "sentinels" after trafficking through the brain microvasculature, to detect pathological amyloid by labelling with a conformationally-sensitive fluorescent amyloid probe and imaging with confocal spectral microscopy. METHODS: Formalin-fixed peripheral blood mononuclear cells (PBMCs) from cognitively healthy control (HC) subjects, mild cognitive impairment (MCI) and AD patients were stained with the fluorescent amyloid probe K114, and imaged. Results were validated against cerebrospinal fluid (CSF) biomarkers and clinical diagnosis. RESULTS: K114-labeled leukocytes exhibited distinctive fluorescent spectral signatures in MCI/AD subjects. Comparing subjects with single CSF biomarker-positive AD/MCI to negative controls, our technique yielded modest AUCs, which improved to the 0.90 range when only MCI subjects were included in order to measure performance in an early disease state. Combining CSF Aβ 42 and t-Tau metrics further improved the AUC to 0.93. CONCLUSION: Our method holds promise for sensitive detection of AD-related protein misfolding in circulating leukocytes, particularly in the early stages of disease.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 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 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 ».