Urine proteomic signatures of histological class, activity, chronicity, and treatment response in lupus nephritis
Notice bibliographique
Résumé
Lupus nephritis (LN) is a pathologically heterogenous autoimmune disease linked to end-stage kidney disease and mortality. Better therapeutic strategies are needed as only 30%-40% of patients completely respond to treatment. Noninvasive biomarkers of intrarenal inflammation may guide more precise approaches. Because urine collects the byproducts of kidney inflammation, we studied the urine proteomic profiles of 225 patients with LN (573 samples) in the longitudinal Accelerating Medicines Partnership in RA/SLE cohort. Urinary biomarkers of monocyte/neutrophil degranulation (i.e., PR3, S100A8, azurocidin, catalase, cathepsins, MMP8), macrophage activation (i.e., CD163, CD206, galectin-1), wound healing/matrix degradation (i.e., nidogen-1, decorin), and IL-16 characterized the aggressive proliferative LN classes and significantly correlated with histological activity. A decline of these biomarkers after 3 months of treatment predicted the 1-year response more robustly than proteinuria, the standard of care (AUC: CD206 0.91, EGFR 0.9, CD163 0.89, proteinuria 0.8). Candidate biomarkers were validated and provide potentially treatable targets. We propose these biomarkers of intrarenal immunological activity as noninvasive tools to diagnose LN and guide treatment and as surrogate endpoints for clinical trials. These findings provide insights into the processes involved in LN activity. This data set is a public resource to generate and test hypotheses and validate biomarkers.
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 | 0,002 |
| 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 | 0,001 | 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 ».