An integrated proteomics and metabolomics approach to assess graft quality and predict early allograft dysfunction after liver transplantation: a retrospective cohort study
Notice bibliographique
Résumé
BACKGROUND: Early allograft dysfunction (EAD) is a common complication after liver transplantation (LT) and is associated with poor prognosis. Graft itself plays a major role in the development of EAD. We aimed to reveal the EAD-specific molecular profiles to assess graft quality and establish EAD predictive models. METHODS: A total of 223 patients who underwent LT were enrolled and divided into training ( n =73) and validation ( n =150) sets. In the training set, proteomics was performed on graft biopsies, together with metabolomics on paired perfusates. Differential expression, enrichment analysis, and protein-protein interaction network were used to identify the key molecules and pathways involved. EAD predictive models were constructed using machine learning and verified in the validation set. RESULTS: A total of 335 proteins were differentially expressed between the EAD and non-EAD groups. These proteins were significantly enriched in triglyceride and glycerophospholipid metabolism, neutrophil degranulation, and the MET-related signaling pathway. The top 12 graft proteins involved in the aforementioned processes were identified, including GPAT1, LPIN3, TGFB1, CD59, and SOS1. Moreover, downstream metabolic products, such as lactate dehydrogenase, interleukin-8, triglycerides, and the phosphatidylcholine/phosphorylethanolamine ratio in the paired perfusate displayed a close relationship with the graft proteins. To predict the occurrence of EAD, an integrated model using perfusate metabolic products and clinical parameters showed areas under the curve of 0.915 and 0.833 for the training and validation sets, respectively. It displayed superior predictive efficacy than that of currently existing models, including donor risk index and D-MELD scores. CONCLUSIONS: We identified novel biomarkers in both grafts and perfusates that could be used to assess graft quality and provide new insights into the etiology of EAD. Herein, we also offer a valid tool for the early prediction of EAD.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».