Gene Expression Profiles of Treatment Response and <scp>Non‐Response</scp> in Children With Juvenile Dermatomyositis
Notice bibliographique
Résumé
OBJECTIVE: The study objective was to identify differences in gene expression between treatment responders (TRs) and treatment non-responders (TNRs) diagnosed with juvenile dermatomyositis (JDM). METHODS: Gene expression analyses were performed using whole blood messenger RNA sequencing in patients with JDM (n = 17) and healthy controls (HCs; n = 10). Four analyses were performed (A1-4) comparing differential gene expression and pathways analysis exploiting the timing of sample acquisition and the treatments received to perform these comparative analyses. Analyses were done at diagnosis and follow-up, which averaged 7 months later in the cohort. RESULTS: At diagnosis, the expression of 10 genes differed between TRs and TNRs. Hallmark and canonical pathway analysis revealed 11 and 60 pathways enriched in TRs and 3 and 21 pathways enriched in TNRs, respectively. Pathway enrichment at diagnosis in TRs was strongest in pathways involved in metabolism, complement activation, and cell signaling as mediated by IL-8, p38/microtubule associated protein kinases (MAPK)/extracellular signal-regulated kinases (ERK), Phosphatidylinositol 3 Kinase Gamma (PI3Kγ), and the B cell receptor. Follow-up hallmark and canonical pathway analysis showed that 2 and 14 pathways were enriched in TRs, whereas 24 and 123 pathways were enriched in treatment TNRs, respectively. Prior treatment with glucocorticoids significantly altered expression of 13 genes in the analysis of subjects at diagnosis with JDM as compared with HCs. CONCLUSION: Numerous genes and pathways differ between TRs and TNRs at diagnosis and follow-up. Prior treatment with glucocorticoids prior to specimen acquisition had a small effect on the performed analyses.
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 | 0,001 | 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 | 0,001 |
| 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 ».