MétaCan
Menu
Retour à la cohorte
Enregistrement W4409308239 · doi:10.3389/fimmu.2025.1509805

Integrative immunology identified interferome signatures in uveitis and systemic disease-associated uveitis

2025· article· en· W4409308239 sur OpenAlexaff
Daniel Munhoz, Dennyson Leandro M. Fonseca, Igor Salerno Filgueiras, Haroldo Dutra Dias, Helder I. Nakaya, Igor Jurišica, Hans D. Ochs, Lena F. Schimke, Luiz Vicente Rizzo, Otávio Cabral-Marques

Notice bibliographique

RevueFrontiers in Immunology · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueOcular Diseases and Behçet’s Syndrome
Établissements canadiensDiscovery CentreUniversity of Toronto
Organismes subventionnairesConselho Nacional de Desenvolvimento Científico e TecnológicoFundação de Amparo à Pesquisa do Estado de São Paulo
Mots-clésUveitisImmunologyMedicineDiseasePathology

Résumé

récupéré en direct d'OpenAlex

Introduction: Uveitis accounts for up to 25% of global legal blindness and involves intraocular inflammation, classifed as infectious or non-infectious. Its complex pathophysiology includes dysregulated cytokines, particularly interferons (IFNs). However, the global signature of type I, II, and III interferon-regulated genes (Interferome) remains largely uncharacterized in uveitis. Methods: In this study, we conducted an integrative systems biology analysis of blood transcriptome data from 169 non-infectious uveitis patients (56 isolated uveitis, 113 systemic disease-associated uveitis) and 82 healthy controls. Results: Modular co-expression analysis identified distinct cytokine signaling networks, emphasizing interleukin and interferon pathways. A meta-analysis revealed 110 differentially expressed genes (metaDEGs) in isolated uveitis and 91 in systemic disease-associated uveitis, predominantly linked to immune responses. The Interferome database confirmed a predominance of type I and II IFN signatures in both groups. Pathway enrichment analysis highlighted inflammatory responses, including cytokine production (IL-8, IL1-β, IFN-γ, β, and α) and toll-like receptor signaling (TLR4, TLR7, TLR8, CD180). Principal component analysis emphasized the IFN signature's discriminative power, particularly in systemic disease-associated uveitis. Machine learning identified IFN-associated genes as robust predictors, while linear discriminant analysis pinpointed CCR2, CD180, GAPT, and PTGS2 as key risk factors in isolated uveitis and CA1, SIAH2, and PGS in systemic disease-associated uveitis. Conclusion: These findings highlight IFN-driven imune dysregulation and potential molecular targets for precision therapies in uveitis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,005
Tête enseignante GPT0,238
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in ImmunologyMême sujetOcular Diseases and Behçet’s SyndromeTravaux en français237 207