Investigating Metabolic Phenotypes for Sarcoidosis Diagnosis and Exploring Immunometabolic Profiles to Unravel Disease Mechanisms
Notice bibliographique
Résumé
Background: Sarcoidosis is a granulomatous disease affecting multiple organ systems and poses a diagnostic challenge due to its diverse clinical manifestations and absence of specific diagnostic tests. Currently, blood biomarkers such as ACE, sIL-2R, CD163, CCL18, serum amyloid A, and CRP are employed to aid in the diagnosis and monitoring of sarcoidosis. Metabolomics holds promise for identifying highly sensitive and specific biomarkers. This study aimed to leverage metabolomics for the early diagnosis of sarcoidosis and to identify metabolic phenotypes associated with disease progression. Methods: Serum samples from patients with sarcoidosis (n = 40, including stage 1 to stage 4), were analyzed for metabolite levels by semi-untargeted liquid chromatography–mass spectrometry (LC-MS). Metabolomics data from patients with sarcoidosis were compared with those from patients with COVID-19 and healthy controls to identify distinguishing metabolic biosignatures. Univariate and multivariate analyses were applied to obtain diagnostic and prognostic metabolic phenotypes. Results: Significant changes in metabolic profiles distinguished stage 1 sarcoidosis from healthy controls, with potential biomarkers including azelaic acid, itaconate, and glutarate. Distinct metabolic phenotypes were observed across the stages of sarcoidosis, with stage 2 exhibiting greater heterogeneity compared with stages 1, 3, and 4. Conclusions: we explored immunometabolic phenotypes by comparing patients with sarcoidosis with patients with COVID-19 and healthy controls, revealing potential metabolic pathways associated with acute and chronic inflammation across the stages of sarcoidosis.
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 | 0,002 |
| 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 ».