Salivary metabolomic identification of biomarker candidates for oral melanoma and oral squamous cell carcinoma in dogs
Notice bibliographique
Résumé
BACKGROUND: Oral melanoma (OM) and oral squamous cell carcinoma (OSCC) are frequently diagnosed in dogs, presenting a challenge in distinguishing them from benign oral tumors (BN). Salivary metabolomic biomarkers offer a practical solution because of saliva's direct contact with tumors and the noninvasive nature of collection. OBJECTIVE: Assess the diversity and abundance of the salivary metabolome in dogs with BN, OM, and OSCC using amine/phenol submetabolome analysis and high-performance chemical isotope labeling liquid chromatography-mass spectrometry (CIL LC-MS). ANIMALS: Study included 11 BN, 24 OM, 10 OSCC, and 20 healthy control dogs. METHODS: C-dansyl chloride and analyzed using CIL LC-MS targeted to amine- and phenol-containing metabolites for amine/phenol submetabolome analysis. RESULTS: Distinct clusters and significant differences in metabolite concentrations were observed among the oral cancer, BN, and control groups. A total of 154 and 66 metabolites showed significantly altered concentrations, particularly in OM and OSCC, respectively, when compared with BN (Padj < .05). Potential metabolic biomarkers were identified for each cancer, including decreased concentrations of seryl-arginine and sarcosine in OSCC. Moreover, high-confidence putative metabolites were identified, including an increase in tryptophyl-threonine and a decrease in 1,2-dihydroxynapthalene-6-sulfonic acid and hydroxyprolyl-hydroxyproline for OM. CONCLUSIONS AND CLINICAL IMPORTANCE: We identified high coverage of the amine/phenol submetabolome, including seryl-arginine, and sarcosine, in OSCC. Our findings emphasize the potential of these biomarkers for distinguishing between oral OSCC and BN in dogs.
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) | 0,001 | 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 ».