Transcriptome analysis from muscle biopsy tissues in late-onset myopathies identifies potential biomarkers correlating to muscle pathology
Notice bibliographique
Résumé
The diagnosis of adult-onset genetic muscle diseases is challenging because of the diversity of clinical phenotypes, findings on muscle biopsy that may be nonspecific, and the large number of genetic causes. Even with thorough investigation, the diagnostic yield for genetic testing in these populations is very low, and the distinction from acquired conditions such as sporadic inclusion body myositis [sIBM] can also prove difficult. In this study, we analysed whole transcriptome data generated from RNA isolated from muscle biopsy tissues, from a cohort of 16 participants with sIBM and other histologic diagnoses. Our objective was to identify candidate RNA biomarkers that could be an adjunctive tool in differentiating these conditions. Principal component analysis was able to delineate the groups based on their histologic diagnoses. Gene ontology and pathway analyses demonstrated dysregulation of immune pathways in sIBM. In mitochondrial myopathy we observed upregulation of FGF21, GDF15, ASNS and TRIB3, which are known candidate biomarkers for mitochondrial myopathy. Novel findings included the identification of transcripts of unknown function that were dysregulated in myofibrillar myopathy [JPX], dystrophic changes [MEG3], and mitochondrial myopathy [GAS5]. We suggest future investigations with larger cohorts of participants to confirm the findings of this study, with further directed experiments to determine the role of novel transcripts in disease pathogenesis.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».