Identifying Serum Metabolomic Markers Associated with Skin Disease Activity in Patients with Psoriatic Arthritis
Notice bibliographique
Résumé
Psoriatic arthritis (PsA) is a chronic, systemic, immune-mediated inflammatory disease causing cutaneous and musculoskeletal inflammation that affects 25% of patients with psoriasis. Current methods for evaluating PsA disease activity are not accurate enough for precision medicine. A metabolomics-based approach can elucidate psoriatic disease pathogenesis, providing potential objective biomarkers. With the hypothesis that serum metabolites are associated with skin disease activity, we aimed to identify serum metabolites associated with skin activity in PsA patients. We obtained serum samples from patients with PsA (n = 150) who were classified into mild, moderate and high disease activity groups based on the Psoriasis Area Severity Index. We used solid-phase microextraction (SPME) for sample preparation, followed by data acquisition via an untargeted liquid chromatography-mass spectrometry (LC-MS) approach. Disease activity levels were predicted using identified metabolites and machine learning algorithms. Some metabolites tentatively identified include eicosanoids with anti- or pro-inflammatory properties, like 12-Hydroxyeicosatetraenoic acid, which was previously implicated in joint disease activity in PsA. Other metabolites of interest were associated with dysregulation of fatty acid metabolism and belonged to classes such as bile acids, oxidized phospholipids, and long-chain fatty acids. We have identified potential metabolites associated with skin disease activity in PsA patients.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».