Multi-Omics Integrative Analyses Identified Two Endotypes of Hip Osteoarthritis
Notice bibliographique
Résumé
(1) Background: Osteoarthritis (OA) is a heterogeneous disorder, and subgroup classification of OA remains elusive. The aim of our study was to identify endotypes of hip OA and investigate the altered pathways in the different endotypes. (2) Methods: Metabolomic profiling and genome-wide genotyping were performed on fasting blood. Transcriptomic profiling was performed on RNA extracted from cartilage samples. Machine learning methods were used to identify endotypes of hip OA. Pathway analysis was used to identify the altered pathways between hip endotypes and controls. GWAS was performed on each of the identified metabolites. Transcriptomic data was used to examine the expression levels of identified genes in cartilage. (3) Results: 180 hip OA patients and 120 OA-free controls were classified into three clusters based on metabolomic data. The combination of arginine, ornithine, and the average value of 7 lysophosphatidylcholines had an area under the curve (AUC) of 0.97 (95% CI: 0.96–0.99) to discriminate hip OA from controls, and the combination of γ-aminobutyric acid, spermine, aconitic acid, and succinic acid had an AUC of 0.96 (95% CI: 0.94–0.99) to distinguish two hip OA endotypes. GWAS identified 236 SNPs to be associated with identified metabolites at GWAS significance level. Pro-inflammatory cytokine levels were significantly different between two endotypes (all p < 0.05). (4) Conclusions: Hip OA could be classified into two distinct molecular endotypes. The primary differences between the two endotypes involve changes in pro-inflammatory factors and energy metabolism.
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 | 0,000 | 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 ».