Screening for Immune-Related RNA Biomarkers of Aneurysmal Subarachnoid Hemorrhage
Notice bibliographique
Résumé
PURPOSE: Through comprehensive bioinformatics analysis based on the immune microenvironment, this study aimed to identify immune-related RNA biomarkers that indicate aneurysmal subarachnoid hemorrhage (aSAH). METHODS: The GSE73378 dataset was downloaded from the National Center for Biotechnology Information GEO database, providing blood from 107 normal controls and 103 patients with aSAH. The immune infiltration types in the aSAH blood samples were assessed and RNAs that were differentially expressed (DE) between 1) the aSAH and control groups and 2) the immune infiltration groups (high and low) were identified. The intersecting genes were subjected to weighted gene co-expression network analysis followed by co-expression network construction. The aSAH-related genes and pathways were identified from the Comparative Toxicogenomics Database: update 2019. RESULTS: A total of three DE long non-coding RNAs (lncRNAs) and 301 DE mRNAs were identified. Of the 301 mRNAs, 91 were significantly enriched in three modules. Based on the 91 mRNAs and three lncRNAs, a co-expression network related to the disease pathway was constructed. This pathway consisted of 16 factors, including the 13 mRNAs (e.g., TNFSF13B, TNFSF10, MYD88, GNA12 and NSMAF) and three lncRNAs (FAM66A, LINC00954 and CELF2-AS2), as well as six pathways, including the NF-κB, toll-like receptor, and sphingolipid signalling pathways. CONCLUSION: TNFSF13B, MYD88, GNA12, NSMAF, FAM66A, LINC00954 and CELF2-AS2 may serve as biomarkers for aSAH. The NF-κB, toll-like receptor and sphingolipid signalling pathways may play critical roles in the progression of aSAH.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».