Aptamer-based screening of cerebrospinal fluid for protein biomarkers of multiple sclerosis
Notice bibliographique
Résumé
Abstract Background Multiple sclerosis is a degenerative autoimmune disease marked by the presence of physical, mental, and psychiatric symptoms. Diagnosis is often made very late in the disease. Hence, there is a need for better diagnostic and prognostic biomarkers as well as new therapeutic targets. In this study, MS patients’ CSF was interrogated for potential diagnostic biomarkers using an aptamer based screen. Methods The CSF of 6 MS, 10 neurological disease controls (NC), and 8 healthy controls (HC) were subjected to an aptamer based screen of 1128 unique human proteins. Dysregulated proteins were selected using group wise fold change (FC) and Mann Whitney tests. A subset of the elevated proteins was chosen for validation by ELISA in a set of pilot CSF samples (11 MS and 6 HC). Results The aptamer-based screen showed 12 proteins to be elevated in MS vs HC CSF and 22 proteins to be elevated in MS vs NC CSF (FC > 1.3 P < 0.05). Among these, IP10, ITAC, BAFF, and LGMN were elevated in MS CSF but not NC, compared to healthy controls (FC > 1.25 P < 0.1). Of the ELISA-validated proteins, BCMA, IP-10, CD48, and MMP9 showed elevation in MS CSF in comparison to healthy CSF, while LGMN did not. I-TAC and MMP-7 could not be detected by ELISA. Conclusion An ultra-sensitive and comprehensive aptamer-based biomarker screening platform has uncovered several elevated proteins in MS CSF, including chemokines, cytokines, and B-cell drivers. Although validation is still in progress, the identified proteins show promise as diagnostic markers or therapeutic targets for MS.
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) | 0,000 | 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) | 0,001 | 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 ».