PMEL is a predictive biomarker for mTORC1 inhibitor treatment of renal angiomyolipoma in tuberous sclerosis complex patients
Notice bibliographique
Résumé
Background: We aimed to demonstrate the function of premelanosome protein (PMEL) as a biomarker to predict the effectiveness of mammalian target of rapamycin complex 1 (mTORC1) inhibitor treatment in renal angiomyolipomas (RAMLs) in tuberous sclerosis complex (TSC) patients. Methods: 95 whole blood samples from 49 patients diagnosed with TSC-RAMLs were collected. PMEL, N4BP2, and PCSK1N expression in the plasma samples were tested by quantitative sandwich ELISA. The target tumor volume assessed by maximum cross-sectional area (CSAmax) in CT scans. Correlation analysis was used to determine the relationship between PMEL expression and target tumors, as well as the tumor reduction rate. Results: The tumor size of TSC-RAMLs positivity correlated with PMEL expression (r = 0.30, p = 0.036) and PCSK1N expression (r = 0.23, p = 0.027), but had no significant relationship with N4BP2 (r = 0.06, p = 0.89). The positive correlation between TSC-RAML tumor volume and PMEL expression still existed in TSC patients before (r = 0.30, p = 0.026) and after mTORC1 inhibitor treatment (r = 0.41, p = 0.0017), but the correlation between tumor volume and PCSK1N expression no longer existed. Further analysis found that PMEL expression negatively correlated with the reduction rate of TSC-RAMLs after mTORC1 inhibitor treatment (r = -0.50, p = 0.0022), both after 3 months (r = -0.47, p = 0.048) and 6 months of treatment (r = -0.52, p = 0.028). Conclusion: PMEL expression positively correlated with the tumor size of TSC-RAMLs, and inversely with the reduction rate of TSC-RAMLs after mTORC1 inhibitor treatment, which may suggest that PMEL may serve as a predictive biomarker for the efficacy of mTORC1 inhibitor treatment.
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) | 0,001 | 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 ».