Prediction of lung overdistension during mechanical ventilation using micro-RNA and gene expression
Notice bibliographique
Résumé
BACKGROUND: Overstretching of lung parenchyma may lead to injury, especially during mechanical ventilation. To date, there are no specific biomarkers of lung stretch, but transcriptomic signatures have not been explored. Our objective was to identify stretch-specific signatures using micro-RNA and gene expression. METHODS: Data on micro-RNA and RNA expression in response to stretch in experimental models were systematically pooled. Signatures were identified as those micro-RNAs or genes with differential expression in samples from stretched cells or tissues, and optimized using a greedy algorithm. Expression data was used to calculate transcriptomic scores. The accuracy of these scores was validated in animal models of lung injury, ex vivo mechanically ventilated human lungs, and bronchoalveolar lavage fluid (BALF, n = 7) and in serum samples (n = 31) of mechanically ventilated patients. RESULTS: Six micro-RNAs (mir-383, mir-877, mir-130b; mir-146b, mir-181b, and mir-26b) were differentially expressed in stretched cell cultures (n = 24). Amongst the genes regulated by these micro-RNAs, a 451-gene signature was identified in vitro (n = 106) and refined using data from animal models (n = 143) to obtain a 6-gene signature (Lims1, Atp6v1c1, Dedd, Bclb7, Ppp1r2 and F3). Transcriptomic scores were significantly higher in samples submitted to stretch or injurious mechanical ventilation. The microRNA and RNA signatures were validated in human tissue, BALF and serum, with areas under the ROC curve between 0.7 and 1 to identify lung overdistention. CONCLUSIONS: Lung cell stretch induces the expression of specific micro-RNA and genes. The potential of these signatures to identify lung stretch in a clinical setting must be explored.
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 ».