Lipid metabolites as biomarkers and therapeutic targets in oral squamous cell carcinoma
Notice bibliographique
Résumé
This study explores the association of lipid metabolism disruption and Oral Squamous Cell Carcinoma (OSCC). We aim to identify specific lipid biomarkers and therapeutic targets for OSCC. We included 78 OSCC patients and 80 healthy controls, and applied non-target lipidomics and transcriptomics for comprehensive analysis. Using ultra-high-performance liquid chromatography quadrupole-Orbitrap high-resolution accurate mass spectrometry (UHPLC/Q-Orbitrap HRMS) coupled with machine learning for diagnostic modeling, we identified potential lipid biomarkers. Transcriptomic analysis helped in pinpointing genetic and metabolic targets relevant to lipid metabolism in OSCC. Notably, we observed 70 differential lipid metabolites in the OSCC group, with nine achieving an AUC > 0.95, suggesting high potential as biomarkers. A diagnostic model based on 10 differentiated lipids yielded accuracy rates of 98.2% in a training cohort and 95.7% in a validation cohort. Additionally, the overexpression of DGKG, linked to poor prognosis, was noted to enhance migration and invasion of OSCC cells, marking it a potential target for therapy. This research underscores the critical role of lipid metabolic alterations in OSCC and highlights innovative diagnostic and therapeutic avenues.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».