Identification and Cross-Platform Validation of Sparse Molecular Classifiers for Antibody-Mediated and T-Cell–Mediated Rejection After Kidney Transplantation
Notice bibliographique
Résumé
Introduction Molecular classifiers are a promising tool to refine the diagnosis of antibody-mediated rejection (ABMR) and T-cell–mediated rejection (TCMR) after kidney transplantation. Despite this potential, the integration of molecular classifiers in transplant clinics has been slow, in part because of the complexity of current assays and lack of a consensus platform. Herein, we aimed to develop and validate sparse molecular classifiers for ABMR and TCMR using allograft tissue. Methods In a discovery cohort of 224 kidney transplant biopsies, lasso regression was applied on microarray gene expression data to derive a molecular classifier for ABMR and TCMR, respectively. Results A 2-gene classifier for ABMR ( PLA1A , GNLY) and a 2-gene classifier for TCMR ( IL12RB1 , ARPC1B) were identified. External validation ( n = 403 biopsies) demonstrated preserved diagnostic accuracy for ABMR (area under the receiver operating characteristic curve [ROC-AUC]: 0.80, 95% confidence interval [CI]: 0.75–0.85) and TCMR (ROC-AUC: 0.83, 95% CI: 0.77–0.89), with the possibility to discriminate between pure and mixed rejection phenotypes. Complementary to their diagnostic potential, the molecular classifiers associated with accelerated graft loss in a second validation cohort ( n = 282 biopsies) and identified allografts at risk for failure with histological lesions that did not reach the Banff thresholds for rejection. The computational approach was further validated using the Banff Human Organ Transplant (B-HOT) gene panel in 2 independent biopsy cohorts that were analyzed on the Nanostring nCounter platform ( n = 66 and n = 80, respectively). Conclusion Rigid variable selection strategies can yield sparse molecular classifiers for allograft rejection phenotypes with preserved accuracy and prognostic value across different molecular diagnostic platforms, which may facilitate their interpretation and clinical implementation.
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 | 0,007 | 0,010 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».