Targeted Proteomics of Plasma Extracellular Vesicles Uncovers MUC1 as Combinatorial Biomarker for the Early Detection of High-grade Serous Ovarian Cancer
Notice bibliographique
Résumé
Abstract Purpose The five-year prognosis for patients with late-stage high-grade serous carcinoma (HGSC) remains dismal, underscoring the critical need for identifying early-stage biomarkers. This study explores the potential of extracellular vesicles (EVs) circulating in blood, which are believed to harbor proteomic cargo reflective of the HGSC microenvironment, as a source for biomarker discovery. Experimental Design We conducted a comprehensive proteomic profiling of EVs isolated from blood plasma, ascites, and cell lines of patients, employing both data-dependent (DDA) and data-independent acquisition (DIA) methods to construct a spectral library tailored for targeted proteomics. Our investigation aimed at uncovering novel biomarkers for the early detection of HGSC by comparing the proteomic signatures of EVs from women with HGSC to those with benign gynecological conditions. The initial cohort, comprising 9-10 donors, utilized DDA proteomics for spectral library development. The subsequent cohort, involving 30 HGSC patients and 30 control subjects, employed DIA proteomics for a similar purpose. Support vector machine (SVM) classification was applied in both cohorts to identify combinatorial biomarkers with high specificity and sensitivity (ROC-AUC > 0.90). Results Notably, MUC1 emerged as a significant biomarker in both cohorts when used in combination with additional biomarkers. Validation through an ELISA assay on a subset of benign (n=18), Stage I (n=9), and stage II (n=9) plasma samples corroborated the diagnostic utility of MUC1 in the early-stage detection of HGSC. Conclusions This study highlights the value of EV-based proteomic analysis in the discovery of combinatorial biomarkers for early ovarian cancer detection.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 | 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 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 ».