Molecular Characterization of Membranous Nephropathy
Notice bibliographique
Résumé
Significance Statement Although membranous nephropathy (MN) is one of the most common causes of nephrotic syndrome, the molecular characteristics of the kidney damage in MN remain poorly defined. In this study, the authors applied a machine-learning framework to predict diagnosis on the basis of gene expression in microdissected kidney tissue from patients with glomerulonephropathies. They found that MN has a glomerular transcriptional signature that distinguishes it from other glomerulonephropathies and identified a set of MN-specific genes differentially expressed across two independent cohorts and robustly recovered in an additional validation cohort. They also found the MN-specific genes are enriched in targets of transcription factor NF-κB and are predominantly expressed in podocytes. This work provides a molecular snapshot of MN and elucidates transcriptional alterations specific to this disease. Background Molecular characterization of nephropathies may facilitate pathophysiologic insight, development of targeted therapeutics, and transcriptome-based disease classification. Although membranous nephropathy (MN) is a common cause of adult-onset nephrotic syndrome, the molecular pathways of kidney damage in MN require further definition. Methods We applied a machine-learning framework to predict diagnosis on the basis of gene expression from the microdissected kidney tissue of participants in the Nephrotic Syndrome Study Network (NEPTUNE) cohort. We sought to identify differentially expressed genes between participants with MN versus those of other glomerulonephropathies across the NEPTUNE and European Renal cDNA Bank (ERCB) cohorts, to find MN-specific gene modules in a kidney-specific functional network, and to identify cell-type specificity of MN-specific genes using single-cell sequencing data from reference nephrectomy tissue. Results Glomerular gene expression alone accurately separated participants with MN from those with other nephrotic syndrome etiologies. The top predictive classifier genes from NEPTUNE participants were also differentially expressed in the ERCB participants with MN. We identified a signature of 158 genes that are significantly differentially expressed in MN across both cohorts, finding 120 of these in a validation cohort. This signature is enriched in targets of transcription factor NF-κB. Clustering these MN-specific genes in a kidney-specific functional network uncovered modules with functional enrichments, including in ion transport, cell projection morphogenesis, regulation of adhesion, and wounding response. Expression data from reference nephrectomy tissue indicated 43% of these genes are most highly expressed by podocytes. Conclusions These results suggest that, relative to other glomerulonephropathies, MN has a distinctive molecular signature that includes upregulation of many podocyte-expressed genes, provides a molecular snapshot of MN, and facilitates insight into MN’s underlying pathophysiology.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».