Age modulates protein-outcome associations in deceased donor kidneys
Notice bibliographique
Résumé
ABSTRACT Background Organ availability limits kidney transplantation, the best treatment for end-stage kidney disease. Globally, deceased donor acceptance criteria have been relaxed to include older donors, which comes with a higher risk of inferior posttransplant outcomes. Donor age, although negatively impacts transplant outcomes, lacks granularity in predicting graft dysfunction. Better donor kidney assessment and characterization of the biological mechanisms underlying age-associated donor organ damage and transplant outcomes is key to improving donor kidney utilisation and transplant longevity. Methods 185 deceased pretransplant biopsies (from brain and circulatory death donors aged 18-78 years) were obtained from the Quality in Organ Donation (QUOD) biobank and proteomic profiles were acquired by mass spectrometry. Machine learning exploration using prediction rule ensembles guided LASSO regression modeling of kidney proteomes that identified protein signatures and biological mechanisms associated with 12-m posttransplant outcome. Data modeling was validated on held-out data and contextualised against published spatially resolved kidney injury related transcriptomes. Results Our analysis highlighted that outcomes were best modeled using combination of donor age and protein abundance signatures, revealing 539 proteins with these characteristics. Modeled age:protein interactions demonstrated stronger associations with transplant outcomes than age and protein alone and revealed mechanisms of kidney injury including metabolic changes and innate immune responses correlated with poor outcome. Comparison to single-cell transcriptome data suggests protein-outcome associations to specific cell types. Conclusions Molecular signatures resulted from integration of donor age and proteomic profiles in deceased donor kidney biopsies offer the potential to develop improved pretransplant organ assessment and aid decisions on perfusion interventions.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».