Tandem SERS and MS/MS Profiling of Plasma Extracellular Vesicles for Early Ovarian Cancer Biomarker Discovery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Extracellular vesicles (EVs) are vectors of biomolecular cargo that play essential roles in intercellular communication across a range of cells. Protein, lipid, and nucleic acid cargo harbored within EVs may serve as biomarkers at all stages of disease; however, the choice of methodology may challenge the specificity and reproducibility of discovery. To address these challenges, the integration of rigorous EV purification methods, cutting-edge spectroscopic technologies, and data analysis are critical to uncover diagnostic signatures of disease. Herein, we demonstrate an EV isolation and analysis pipeline using surface-enhanced Raman spectroscopy (SERS) and mass spectrometry (MS) techniques on plasma samples obtained from umbilical cord blood, healthy donor (HD) plasma, and plasma from women with early stage high-grade serous carcinoma (HGSC). Plasma EVs were purified by size exclusion chromatography and analyzed by surface-enhanced Raman spectroscopy (SERS), mass spectrometry (MS), and atomic force microscopy. After determining the fraction of highest EV purity, SERS and MS were used to characterize EVs from HDs, pooled donors with noncancerous gynecological ailments ( n = 6), and donors with early stage [FIGO (I/II)] with HGSC. SERS spectra were subjected to different machine learning algorithms such as PCA, logistic regression, support vector machine, naïve Bayes, random forest, neural network, and k nearest neighbors to differentiate healthy, benign, and HGSC EVs. Collectively, we demonstrate a reproducible workflow with the potential to serve as a diagnostic platform for HGSC.
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.
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 | 0,000 | 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) | 0,000 | 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 découle