Identification of a differential metabolite-based signature in patients with late-stage knee osteoarthritis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ObjectiveMultiple disease phenotypes have been identified in knee osteoarthritis (OA) patients based on anthropometric, sociodemographic and clinical factors; however, differential systemic metabolite-based signatures in OA patients are not well understood. We sought to identify differential plasma metabolome signatures in a cross-sectional sample of late-stage knee OA patients.MethodsPlasma from 214 (56.5% female; mean age = 67.58 years) non-diabetic, non-obese (BMI <30 kg/m2, mean = 26.25 kg/m2), radiographic KL 3/4 primary knee OA patients was analyzed by metabolomics. Patients with post-traumatic OA and rheumatoid arthritis were excluded. Hierarchical clustering was used to identify patient clusters based on metabolite levels. A refined metabolite signature differentiating patient clusters was determined based on ≥ 10% difference, significance by FDR-adjusted t-test (q-value < 0.05), and random forests importance score ≥1, and analyzed by AUROC. Bioinformatics analysis was used to identify genes linked to ≥2 annotated metabolites. Associated enriched pathways (q < 0.05) were determined.ResultsTwo patient clusters were determined based on the levels of 151 metabolites identified. Metabolite signature refinement found 24 metabolites could accurately predict cluster classification within the sample (AUC = 0.921). Fifty-six genes were linked to at least 2 KEGG annotated metabolites. Pathway analysis found 26/56 genes were linked to enriched pathways including tRNA acylation and B-vitamin metabolism.ConclusionThis study demonstrates systemic metabolites can classify a cross-sectional cohort of OA patients into distinct clusters. Links between metabolites, genes and pathways can help determine biological differences between OA patients, potentially improving precision medicine and decision-making.
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.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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 découle