The plasma proteome differentiates the multisystem inflammatory syndrome in children (MIS-C) from children with SARS-CoV-2 negative sepsis
Notice bibliographique
Résumé
BACKGROUND: The Multi-System Inflammatory Syndrome in Children (MIS-C) can develop several weeks after SARS-CoV-2 infection and requires a distinct treatment protocol. Distinguishing MIS-C from SARS-CoV-2 negative sepsis (SCNS) patients is important to quickly institute the correct therapies. We performed targeted proteomics and machine learning analysis to identify novel plasma proteins of MIS-C for early disease recognition. METHODS: A case-control study comparing the expression of 2,870 unique blood proteins in MIS-C versus SCNS patients, measured using proximity extension assays. The 2,870 proteins were reduced in number with either feature selection alone or with a prior COMBAT-Seq batch effect adjustment. The leading proteins were correlated with demographic and clinical variables. Organ system and cell type expression patterns were analyzed with Natural Language Processing (NLP). RESULTS: The cohorts were well-balanced for age and sex. Of the 2,870 unique blood proteins, 58 proteins were identified with feature selection (FDR-adjusted P < 0.005, P < 0.0001; accuracy = 0.96, AUC = 1.00, F1 = 0.95), and 15 proteins were identified with a COMBAT-Seq batch effect adjusted feature selection (FDR-adjusted P < 0.05, P < 0.0001; accuracy = 0.92, AUC = 1.00, F1 = 0.89). All of the latter 15 proteins were present in the former 58-protein model. Several proteins were correlated with illness severity scores, length of stay, and interventions (LTA4H, PTN, PPBP, and EGF; P < 0.001). NLP analysis highlighted the multi-system nature of MIS-C, with the 58-protein set expressed in all organ systems; the highest levels of expression were found in the digestive system. The cell types most involved included leukocytes not yet determined, lymphocytes, macrophages, and platelets. CONCLUSIONS: The plasma proteome of MIS-C patients was distinct from that of SCNS. The key proteins demonstrated expression in all organ systems and most cell types. The unique proteomic signature identified in MIS-C patients could aid future diagnostic and therapeutic advancements, as well as predict hospital length of stays, interventions, and mortality risks.
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 | 0,001 |
| 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) | 0,000 | 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 ».