Metabolomics for the identification of early biomarkers of cisplatin-induced nephrotoxicity in a mouse model of cisplatin-induced acute kidney injury
Notice bibliographique
Résumé
Background and Purpose: Cisplatin-induced nephrotoxicity manifests as acute kidney injury (AKI) in approximately one third of patients receiving cisplatin therapy. Current measures of AKI are inadequate in detecting AKI prior to significant renal injury, and better biomarkers are needed for early diagnosis of cisplatin-induced AKI. Experimental Approach: C57BL/6 and FVB/N mice were treated with a single intraperitoneal injection of cisplatin (15 mg kg-1) or saline. Plasma, urine, and kidney samples were collected prior to cisplatin injection and 24-, 48-, 72-, and 96-hours following cisplatin injection. Untargeted metabolomics was employed using liquid chromatography-mass spectrometry to identify early diagnostic biomarkers for cisplatin-induced AKI. Key Results: There was clear metabolic discrimination between saline and cisplatin-treated mice at all timepoints (day 1 to day 4). In total, 26 plasma, urine, and kidney metabolites were identified as exhibiting early alterations following cisplatin treatment. Several of the metabolites showing early alterations were associated with mitochondrial function and energetics, including intermediates of the tricarboxylic acid cycle, regulators of mitochondrial function and indicators of fatty acid β-oxidation dysfunction. Furthermore, several metabolites were derived from the gut microbiome. Conclusion and Implications: Our results highlight the detrimental effects of cisplatin on mitochondrial function and demonstrate potential involvement of the gut microbiome in the pathophysiology of cisplatin-induced AKI. Here we provide a panel of metabolites to guide future clinical studies of cisplatin-induced AKI and provide insight into potential mechanisms behind cisplatin nephrotoxicity.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».