Metabolomic Profiling of Pulmonary Neuroendocrine Neoplasms
Notice bibliographique
Résumé
BACKGROUND/OBJECTIVES: Pulmonary neuroendocrine neoplasms (NENs) account for 20% of malignant lung tumors. Their management is challenging due to their diverse clinical features and aggressive nature. Currently, metabolomics offers a range of potential cancer biomarkers for diagnosis, monitoring tumor progression, and assessing therapeutic response. However, a specific metabolomic profile for early diagnosis of lung NENs has yet to be identified. This study aims to identify specific metabolomic profiles that can serve as biomarkers for early diagnosis of lung NENs. METHODS: We measured 153 metabolites using liquid chromatography combined with mass spectrometry (LC-MS) in the plasma of 120 NEN patients and compared them with those of 71 healthy individuals. Additionally, we compared these profiles with those of 466 patients with non-small-cell lung cancers (NSCLCs) to ensure clinical relevance. RESULTS: We identified 21 metabolites with consistently altered plasma concentrations in NENs. Compared to healthy controls, 18 metabolites were specific to carcinoid tumors, 5 to small-cell lung carcinomas (SCLCs), and 10 to large-cell neuroendocrine carcinomas (LCNECs). These findings revealed alterations in various metabolic pathways, such as fatty acid biosynthesis and beta-oxidation, the Warburg effect, and the citric acid cycle. CONCLUSIONS: Our study identified biomarker metabolites in the plasma of patients with each subtype of lung NENs and demonstrated significant alterations in several metabolic pathways. These metabolomic profiles could potentially serve as biomarkers for early diagnosis and better management of lung NENs.
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) | 0,000 | 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 ».