Comprehensive and quantitative urinary metabolomic profiling for improved characterization of diabetic nephropathy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Diabetic nephropathy (DN) is a major cause of chronic kidney disease and end-stage renal failure worldwide. The current diagnostic marker, albuminuria, lacks specificity and often detects renal damage only at advanced stages. OBJECTIVES: This study aimed to characterize urinary metabolic alterations associated with DN and explore metabolite panels with diagnostic potential. METHODS: A targeted urinary metabolomics analysis was performed using the validated TMIC Urine MEGA Assay, quantifying 268 metabolites in 60 participants (20 controls, 20 type 2 diabetes mellitus [DM-2], and 20 DN patients). Data were analyzed by Partial Least Squares Discriminant Analysis (PLS-DA) for visualization, and penalized regression algorithms [Least Absolute Shrinkage and Selection Operator (LASSO) and Elastic Net (EN) with a Genetic Algorithm (GA)] followed by logistic regression (LR) modeling to identify potential discriminative variables. RESULTS: DN patients showed marked alterations in metabolites related to oxidative stress, mitochondrial dysfunction, and inflammation. Twenty-four of 86 quantified uremic toxins differed significantly between DN and comparison groups. The LASSO-derived model identified β-alanine, kynurenine, glucose and argininic acid as key discriminants (AUC = 0.905, 10-fold CV), while inclusion of GFR and additional metabolites (2-hydroxybutyric acid, shikimic acid) improved performance (AUC = 0.96). CONCLUSIONS: Quantitative urinary metabolomics revealed metabolic perturbations reflective of DN pathophysiology and identified candidate metabolite panels with potential for non-invasive disease characterization. These findings, though preliminary, provide a foundation for validation in larger, longitudinal cohorts and for integrating urinary metabolomics into precision diagnostics for diabetic kidney disease.
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.
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 | 0,000 | 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) | 0,000 | 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 découle