A <scp>DIA</scp> ‐ <scp>MS</scp> ‐based proteomics approach to find potential serum prognostic biomarkers in glioblastoma patients
Notice bibliographique
Résumé
No blood‐based protein biomarkers are currently available for routine clinical use to determine the prognosis of patients with glioblastoma (GB). We performed data‐independent acquisition mass spectrometry (DIA‐MS)‐based proteomics on 96 presurgical serum samples from patients with GB and 30 serum samples from healthy controls to identify such markers. Among the 622 serum proteins differentially expressed between the GB and control groups, 191 had a |log 2 (fold change)| ≥ 0.58 and an area under the curve ≥ 0.75. An analysis of their prognostic value revealed that high levels of IL1R2 and low levels of CRTAC1 and HRG were associated with poor survival. Multivariate Cox regression analysis identified IL1R2 as an independent prognostic factor for PFS and CRTAC1 as an independent prognostic factor for OS. The concentration of CRTAC1 in serum samples from an independent cohort of short‐ and long‐term survivors of GB (STS and LTS, respectively) by ELISA was shown to be lower in the STS than in the LTS group. CRTAC1, HRG, and IL1R2 could potentially be used to better inform prognosis and predict treatment response in GB patients.
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 | 0,002 |
| 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 ».