Combined plasma metabolomic and transcriptomic analysis identify histidine as a biomarker and potential contributor in SLE pathogenesis
Notice bibliographique
Résumé
OBJECTIVES: To investigate metabolite alterations in the plasma of SLE patients to identify novel biomarkers and provide insight into SLE pathogenesis. METHODS: Patients with SLE (n = 41, discovery cohort and n = 37, replication cohort), healthy controls (n = 30 and n = 29) and patients with RA (n = 19, disease control) were recruited. Metabolic profiles of the plasma samples were analysed using liquid chromatography-time-of-flight mass spectrometry and capillary electrophoresis-time-of-flight mass spectrometry. Transcriptome data was analysed using RNA-sequencing for 18 immune cell subsets. The importance of histidine (His) in plasmablast differentiation was investigated by using mouse splenic B cells. RESULTS: We demonstrate that a specific amino acid combination including His can effectively distinguish between SLE patients and healthy controls. Random forest and partial least squares-discriminant analysis identified His as an effective classifier for SLE patients. A decrease in His plasma levels correlated with damage accrual independent of prednisolone dosage and type I IFN signature. The oxidative phosphorylation signature in plasmablasts negatively correlated with His levels. We also showed that plasmablast differentiation induced by innate immune signals was dependent on His. CONCLUSIONS: Plasma His levels are a potential biomarker for SLE patients and are associated with damage accrual. Our data suggest the importance of His as a pathogenic metabolite in SLE 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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 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 ».