Mass spectrometry-based proteomic profiling of extracellular vesicle proteins in diabetic and non-diabetic ischemic stroke patients: a case-control study
Notice bibliographique
Résumé
Acute ischemic stroke is the most common cause of neurologic dysfunction caused by focal brain ischemia and tissue injury. Diabetes is a major risk factor of stroke, exacerbating disease management and prognosis. Therefore, discovering new diagnostic markers and therapeutic targets is critical for stroke prevention and treatment. Extracellular vesicles (EVs), with their distinctive properties, have emerged as promising candidates for biomarker discovery and therapeutic application. This case-control study utilized mass spectrometry-based proteomics to compare EVs from non-diabetic stroke (nDS = 14), diabetic stroke (DS = 13), and healthy control (HC = 12) subjects. Among 1288 identified proteins, 387 were statistically compared. Statistical comparisons using a general linear model (log2 foldchange ≥0.58 and FDR-p≤0.05) were performed for nDS vs HC, DS vs HC, and DS vs nDS. DS vs HC and DS vs nDS comparisons produced 123 and 149 differentially expressed proteins, respectively. Fibrinogen gamma chain (FIBG), Fibrinogen beta chain (FIBB), Tetratricopeptide repeat protein 16 (TTC16), Proline rich 14-like (PR14L), Inhibitor of nuclear factor kappa-B kinase subunit epsilon (IKKE), Biorientation of chromosomes in cell division protein 1-like 1 (BD1L1), and protein PR14L exhibited significant differences in the DS group. The pathway analysis revealed that the complement system pathways were activated, and blood coagulation and neuroprotection were inhibited in the DS group (z-score ≥2; p ≤ 0.05). These findings underscore the potential of EVs proteomics in identifying biomarkers for stroke management and prevention, warranting further clinical investigation.
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 | 0,001 |
| 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 ».