Targeted multiomics in childhood-onset SLE reveal distinct biological phenotypes associated with disease activity: results from an explorative study
Notice bibliographique
Résumé
OBJECTIVE: To combine targeted transcriptomic and proteomic data in an unsupervised hierarchical clustering method to stratify patients with childhood-onset SLE (cSLE) into similar biological phenotypes, and study the immunological cellular landscape that characterises the clusters. METHODS: Targeted whole blood gene expression and serum cytokines were determined in patients with cSLE, preselected on disease activity state (at diagnosis, Low Lupus Disease Activity State (LLDAS), flare). Unsupervised hierarchical clustering, agnostic to disease characteristics, was used to identify clusters with distinct biological phenotypes. Disease activity was scored by clinical SELENA-SLEDAI (Safety of Estrogens in Systemic Lupus Erythematosus National Assessment-Systemic Lupus Erythematosus Disease Activity Index). High-dimensional 40-colour flow cytometry was used to identify immune cell subsets. RESULTS: Three unique clusters were identified, each characterised by a set of differentially expressed genes and cytokines, and by disease activity state: cluster 1 contained primarily patients in LLDAS, cluster 2 contained mainly treatment-naïve patients at diagnosis and cluster 3 contained a mixed group of patients, namely in LLDAS, at diagnosis and disease flare. The biological phenotypes did not reflect previous organ system involvement and over time, patients could move from one cluster to another. Healthy controls clustered together in cluster 1. Specific immune cell subsets, including CD11c+ B cells, conventional dendritic cells, plasmablasts and early effector CD4+ T cells, differed between the clusters. CONCLUSION: Using a targeted multiomic approach, we clustered patients into distinct biological phenotypes that are related to disease activity state but not to organ system involvement. This supports a new concept where choice of treatment and tapering strategies are not solely based on clinical phenotype but includes measuring novel biological parameters.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 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 ».