Urinary multi-omics reveal non-invasive diagnostic biomarkers in clear cell renal cell carcinoma
Notice bibliographique
Résumé
Abstract Clear cell renal cell carcinoma (ccRCC) is the kidney malignancy with the highest incidence and mortality rates. Despite the high patient burden, there are no biomarkers for rapid diagnosis and public health surveillance. Urine would be an ideal source of ccRCC biomarkers due to the low invasiveness, easy accessibility, and the kidney’s intrinsic role in filtering urine. In the present work, by combining proteomics, lipidomics and metabolomics, we detected urogenital metabolic dysregulation in ccRCC patients with increased lipid metabolism, altered mitochondrial respiration signatures and increased urinary lipid content. Importantly, we identify three early-stage diagnostic biomarkers for ccRCC in urine samples: Serum amyloid A1 (SAA1), Haptoglobin (HP) and Lipocalin 15 (LCN15). We further implemented a parallel reaction monitoring mass spectrometry protocol for rapid and sensitive detection of SAA1, HP and LCN15 and combined all three proteins into a diagnostic UrineScore. In our discovery cohort, this score had a performance accuracy of 96% in receiver operating characteristic curve (ROC) analysis for classification of ccRCC versus control cases. Our data identifies tractable and highly efficacious urinary biomarkers for ccRCC diagnosis and serve as a first step towards the development of more rapid and accessible urinary diagnostic platforms.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».