Leveraging the CSF proteome toward minimally-invasive diagnostics surveillance of brain malignancies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Diagnosis and prognostication of intra-axial brain tumors hinges on invasive brain sampling, which carries risk of morbidity. Minimally-invasive sampling of proximal fluids, also known as liquid biopsy, can mitigate this risk. Our objective was to identify diagnostic and prognostic cerebrospinal fluid (CSF) proteomic signatures in glioblastoma (GBM), brain metastases (BM), and primary central nervous system lymphoma (CNSL). Methods: CSF samples were retrospectively retrieved from the Penn State Neuroscience Biorepository and profiled using shotgun proteomics. Proteomic signatures were identified using machine learning classifiers and survival analyses. Results: Using 30 µL CSF volumes, we recovered 755 unique proteins across 73 samples. Proteomic-based classifiers identified malignancy with area under the receiver operating characteristic (AUROC) of 0.94 and distinguished between tumor entities with AUROC ≥0.95. More clinically relevant triplex classifiers, comprised of just three proteins, distinguished between tumor entities with AUROC of 0.75-0.89. Novel biomarkers were identified, including GAP43, TFF3 and CACNA2D2, and characterized using single cell RNA sequencing. Survival analyses validated previously implicated prognostic signatures, including blood-brain barrier disruption. Conclusions: Reliable classification of intra-axial malignancies using low CSF volumes is feasible, allowing for longitudinal tumor surveillance.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 découle