MicroRNAs in serum and tissue can differentiate splenic hemangiosarcoma from other splenic masses in dogs
Notice bibliographique
Résumé
Splenic masses are common in dogs and vary dramatically in their clinical behavior. Clinically, and even with histology, it can be challenging to differentiate between benign and malignant splenic masses. Hemangiosarcoma (HSA), the most common malignancy of the spleen, is a very aggressive tumor with a poor prognosis. We hypothesize that microRNAs (miRNAs) in mass tissue and serum can differentiate between HSA and other splenic masses. Fifty-nine miRNAs were investigated by reverse-transcription followed by real-time quantitative polymerase chain reaction (RT-qPCR) in serum and/or tissue from dogs with HSAs (serum n = 24 and tissue n = 17; postsplenectomy serum n = 11), lymphomas (serum n = 8 and tissue n = 11), nonangiomatous nonlymphomatous sarcomas (serum n = 6 and tissue n = 10), histiocytic sarcomas (tissue n = 4), benign splenic masses (myelolipomas, nodular hyperplasia, and hematomas; total serum n = 21 and total tissue n = 35), and normal dogs (serum n = 14 and tissue n = 7). Numerous miRNAs were differentially expressed in serum and tissue of HSA cases compared to those with other splenic masses or normal spleens. In serum, our 5-miRNA model (miR-135a-5p, miR-10a, miR-450b, miR-152-3p, and miR-126-5p) accurately classified 100% (24/24) of dogs with HSA from normal dogs and those with a benign splenic mass (recall = 1 for HSA). The overall accuracy of the model was 86%. In HSA and benign splenic mass tissues, our 3-miRNA model (miR-126-5p, miR-502-3p, and miR-452-5p) accurately classified 96% of the cases. This study demonstrates the utility of miRNA models in serum and tissue for screening and diagnosis of HSA in dogs. Future studies include the evaluation of prospective and prediagnosis serum samples.
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 | 0,000 |
| 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 | 0,001 |
| 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 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 ».