Editorial: A hill of needs: Non-HLA antibodies and transplantation
Notice bibliographique
Résumé
A hill of needs: Current state of the art and knowledge gaps for non- HLA antibodies in allograft transplantationIn recent years a growing body of evidence suggests a relationship between the presence of non-HLA antibodies and graft loss and/or rejection episodes after organ transplant (1-3).Non-HLA antibodies are divided into those with specificity for alloantigens, such as the polymorphic alloantigen major histocompatibility class-1 chain A (MICA), and those with specificity for a range of autoantigens such as the angiotensin II type 1 receptor (AT1R), K-alpha 1 tubulin, or cardiac myosin.But, the diversity in form and function of non-HLA antibodies extends beyond this initial distinction.Non-HLA antibodies recognize antigens found in various cellular compartments including the cell membrane, intracellular spaces, and secreted extracellular vesicles, and further, the formation and likely the function of non-HLA antibodies is multimechanistic.While, the data indicate that detection of non-HLA antibodies may be useful in identifying patients at risk for allograft injury or graft loss in organ specific contexts, thus far no human studies have proven that non-HLA antibodies can directly contribute to the pathogenesis of graft dysfunction.Non-HLA antibodies can be detected using commercial reagents or with laboratory-developed tests.However, lacking are reference sera containing defined concentrations of non-HLA antibodies, and therefore, the definition of a positive result may be based on thresholds that lack clinical relevance.The combination of these factors lead to technical variation between studies, and as such there is no one standard assay in the field that defines the impact of non-HLA antibodies on graft loss.A complete overview on the detection of non-HLA antibodies by solid-phase (ELISA, Luminex) and cell-based (culture, flow-cytometry) techniques is provided by the state-of-the-art review written by Lammerts et al..
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,010 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 0,015 |
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 ».