Plasma lipid levels predict chemotherapy response and survival in acute myeloid leukemia
Notice bibliographique
Résumé
ABSTRACT: Acute myeloid leukemia (AML) is characterized by a low 5-year survival rate. Despite having many clinical metrics to assess patient prognosis, there remain opportunities to improve risk stratification. We hypothesized that an underexplored resource to examine the prognosis of patients with AML is plasma metabolome. Circulating metabolites are influenced by patients' clinical status and can serve as accessible cancer biomarkers. To establish a resource of circulating metabolites in genetically diverse patients with AML, we performed an unbiased metabolomic and lipidomic analysis of 231 diagnostic AML plasma samples before treatment with intensive chemotherapy. Intriguingly, circulating metabolites were highly associated with the mutation status within the AML cells. Furthermore, lipids were associated with refractory status. We established a machine learning algorithm trained on chemotherapy-refractory-associated lipids to predict patient survival. Cox regression and Kaplan-Meier analysis demonstrated that the high-risk lipid signature predicted overall survival in this patient cohort. Impressively, the top lipid in the high-risk lipid signature, sphingomyelin (d44:1), was sufficient to predict overall survival in both the original data set and an independent validation data set. Overall, this research underscores the potential of circulating metabolites to capture AML heterogeneity and lipids to be used as potential AML biomarkers.
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 | 0,000 | 0,001 |
| 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) | 0,001 | 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 ».