P040 Prediction of endoscopic features of disease from single-cell RNA sequencing data in sigmoid colon of patients with ulcerative colitis
Notice bibliographique
Résumé
Abstract Background Patients suffering from ulcerative colitis (UC) have reduced life qualities and an increased risk of developing cancer. Current treatment options are limited and have a ceiling effect with remission rates of ~35%. A possible reason is the multi-factorial aetiology, which are associated with an overactivation of the immune system and a dysbiosis of the gut microbiome. An important step towards a better understanding is the characterization of epithelial lesions. Their severity is classified by the Mayo score system based on their macroscopic appearance. While previous studies analysed cellular changes within the colon in UC patients, a detailed characterization of different UC-associated lesions are still missing, which is the aim of our study in collaboration with Sanofi Pharmaceuticals. Methods We recruit patients with active disease at our endoscopy unit and collect different biopsies from multiple regions within these patients to compare the reproducibility of single cell RNA sequencing (scRNAseq) results of similar appearing lesions within and between patients. For the sample preparation, we include a cellular enrichment step for immune, epithelial and stromal cells before performing 10x scRNAseq to obtain equal numbers for each cell fraction from every sampled area. Results Our cellular isolation strategy allows successful recovery of fibroblast, epithelial and immune cell fractions from each lesion. All expected epithelial cell types as previously described are detected in our dataset as well. Moreover, our experimental setup to obtain comparable numbers of fibroblasts, epithelial and immune cells enables us now to investigate cell-cell communication differences within different Mayo score lesions. For example, CXCL signal increased with the severity of macroscopic lesions and involves multiple cell types. Conclusion Our preliminary results promise exciting insights into cell-cell communications at an unprecedented depth, which identifies aberrant signalling pathway that may contribute to treatment failure in the clinics.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».