Circulating microRNAs differentiate fast-progressing from slow-progressing and non-progressing knee osteoarthritis in the Osteoarthritis Initiative cohort
Notice bibliographique
Résumé
Introduction: The objective of this study is to identify circulating microRNAs that distinguish fast-progressing radiographic knee osteoarthritis (OA) in the Osteoarthritis Initiative cohort by applying microRNA-sequencing. Methods: Participants with Kellgren–Lawrence (KL) grade 0/1 at baseline were included ( N = 106). Fast-progressors were defined by an increase to KL 3/4 by 4-year follow-up ( N = 20), whereas slow-progressors showed an increase to KL 2/3/4 only at 8-year follow-up ( N = 35). Non-progressors remained at KL 0/1 by 8-year follow-up ( N = 51). MicroRNA-sequencing was performed on plasma collected at baseline and 4-year follow-up from the same participants. Negative binomial models were fitted to identify differentially expressed (DE) microRNAs. Penalized logistic regression (PLR) analyses were performed to select combinations of DE microRNAs that distinguished fast-progressors. Area under the receiver operating characteristic curves (AUC) were constructed to evaluate predictive ability. Results: DE analyses revealed 48 microRNAs at baseline and 2 microRNAs at 4-year follow-up [false discovery rate (FDR) < 0.05] comparing fast-progressors with both slow-progressors and non-progressors. Among these were hsa-miR-320b, hsa-miR-320c, hsa-miR-320d, and hsa-miR-320e, which were predicted to target gene families, including members of the 14-3-3 gene family, involved in signal transduction. PLR models included miR-320 members as top predictors of fast-progressors and yielded AUC ranging from 82.6 to 91.9, representing good accuracy. Conclusion: The miR-320 family is associated with fast-progressing radiographic knee OA and merits further investigation as potential biomarkers and mechanistic drivers of knee OA.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».