Mass Spectrometry-Based Comparative Analysis of <i>N</i> -Glycosylation Alterations in Three Human Body Fluids in Parkinson’s Disease
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Parkinson’s disease (PD) is a progressive neurodegenerative disorder lacking definitive diagnostic tests. To identify new diagnostic biomarkers, we employed glycoproteomics-mass spectrometry (MS) to investigate dynamic changes in protein N -glycosylation across the serum, urine, and saliva of PD patients. Our comparative analysis of differentially expressed glycoproteins (DEGs) between PD patients and healthy controls (HCs) revealed distinct patterns. Specifically, ATPase phospholipid transporter 11B (ATP11B) was significantly upregulated in the serum of PD patients, while urine and saliva showed an opposite trend. Other key findings included elevated myeloperoxidase (MPO) in urine and clusterin (CLU) in serum. Zinc-α-2-glycoprotein (AZGP1), detected in all three biofluids, displayed increased sialylation and core fucosylation in serum but decreased levels in the saliva and urine of PD patients, along with a distinct bifucosylation pattern in saliva. These glycoprotein expression changes were further validated using enzyme-linked immunoassay (ELISA). Pathway analysis indicated that these DEGs are primarily involved in inflammatory response, complement activation, and synaptic plasticity, suggesting that glycosylation dysregulation may contribute to PD progression by modulating neuroinflammation and protein homeostasis. This study represents the first comprehensive analysis of multibiofluid N -glycosylation in PD. The findings offer potential biomarkers and provide insights into the molecular mechanisms of the disease, which could ultimately inform early diagnosis and the development of targeted therapies.
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 | 0,001 | 0,004 |
| 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 ».