Urine Cell-Free RNA vs Plasma Cell-Free RNA for Monitoring of Kidney Injury and Immune Complications
Notice bibliographique
Résumé
BACKGROUND: There is increasing interest in the use of circulating cell-free RNA (cfRNA) in plasma as an analyte for diagnosing and monitoring disease. While it is known that cfRNA can also be isolated from urine, the diagnostic potential of urine cfRNA, particularly relative to plasma cfRNA, remains underexplored. METHODS: Matched plasma and urine were collected from hematopoietic stem cell transplant (HSCT) recipients (n = 24), immune-checkpoint-inhibitor (ICI) recipients with or without acute kidney injury (AKI) (n = 46), and healthy volunteers (n = 5), yielding 297 samples. Unbiased cfRNA sequencing was performed, followed by comparison of molecular diversity, tissue and cellular origin, and diagnostic performance for systemic (HSCT) and renal (AKI) complications. RESULTS: Urine and plasma cfRNA displayed distinct molecular composition and cellular origin across all groups. In HSCT, pronounced changes in plasma cfRNA were detected during the course of treatment, while urine cfRNA changes were minimal. Conversely, when comparing ICI recipients with and without AKI, cfRNA signatures indicative of disease and AKI etiology were observed in urine but not in plasma. These urine-derived signatures included injury markers and immune transcripts consistent with localized renal inflammation. CONCLUSIONS: This study reveals the distinct origin and diagnostic utility of plasma and urine cfRNA and suggests urine cfRNA is a promising analyte to monitor kidney injury, especially in the context of AKI following ICI treatment.
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) | 0,000 | 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 | 0,001 | 0,001 |
| 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 ».