Gene signature fingerprints stratify SLE patients in groups with similar biological disease profiles: a multicentre longitudinal study
Notice bibliographique
Résumé
OBJECTIVES: Clinical phenotyping and predicting treatment responses in SLE patients is challenging. Extensive blood transcriptional profiling has identified various gene modules that are promising for stratification of SLE patients. We aimed to translate existing transcriptomic data into simpler gene signatures suitable for daily clinical practice. METHODS: Real-time PCR of multiple genes from the IFN M1.2, IFN M5.12, neutrophil (NPh) and plasma cell (PLC) modules, followed by a principle component analysis, was used to identify indicator genes per gene signature. Gene signatures were measured in longitudinal samples from two childhood-onset SLE cohorts (n = 101 and n = 34, respectively), and associations with clinical features were assessed. Disease activity was measured using Safety of Estrogen in Lupus National Assessment (SELENA)-SLEDAI. Cluster analysis subdivided patients into three mutually exclusive fingerprint-groups termed (1) all-signatures-low, (2) only IFN high (M1.2 and/or M5.12) and (3) high NPh and/or PLC. RESULTS: All gene signatures were significantly associated with disease activity in cross-sectionally collected samples. The PLC-signature showed the highest association with disease activity. Interestingly, in longitudinally collected samples, the PLC-signature was associated with disease activity and showed a decrease over time. When patients were divided into fingerprints, the highest disease activity was observed in the high NPh and/or PLC group. The lowest disease activity was observed in the all-signatures-low group. The same distribution was reproduced in samples from an independent SLE cohort. CONCLUSIONS: The identified gene signatures were associated with disease activity and were indicated to be suitable tools for stratifying SLE patients into groups with similar activated immune pathways that may guide future treatment choices.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».