MétaCan
Menu
Retour à la cohorte
Enregistrement W7093123381

P200 | EXTRACELLULAR VESICLES MOLECULAR FINGERPRINTING WITH FOURIER TRANSFORM INFRARED SPECTROSCOPY: NOVEL APPROACH FOR MONITORING CHRONIC MYELOID LEUKEMIA TREATMENTS

2025· article· en· W7093123381 sur OpenAlexaff

Notice bibliographique

RevueDOAJ (DOAJ: Directory of Open Access Journals) · 2025
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueExtracellular vesicles in disease
Établissements canadiensSurgical Specialties (Canada)
Organismes subventionnairesnon disponible
Mots-clésMyeloid leukemiaExtracellular vesiclesPrincipal component analysisPonatinibLinear discriminant analysisMultiplexTyrosine kinaseFingerprint (computing)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Tyrosine kinase inhibitors (TKIs) transformed Chronic Myeloid Leukemia (CML) treatment, enabling deep molecular responses and treatment-free remission (TFR). Yet, challenges such as relapse and adverse effects require improved monitoring tools. Extracellular vesicles (EV) are natural nanoparticles released by cells under physiological and pathological conditions, emerging as biomarkers in CML due to their ability to shuttle bioactive molecules that reflect the disease status. However, their heterogeneity and small size complicate standardization and clinical translation. Vibrational spectroscopies, like Fourier-transform infrared (FT-IR), offer label-free, high-resolution EV analysis. In this study, we used FT-IR to assess EV of CML patients on different treatment (Fig. 1), aiming to explore therapy-related molecular differences. EV were extracted from plasma samples of 51 CML patients who had attained at least a major molecular response under TKI treatment, using Norgen 58300 kit. For FT-IR analysis, 3µL of each sample was deposited onto a diamond window and dried under nitrogen. All spectra were recorded in triplicate. To distinguish the treatment groups, we applied Principal Component Analysis to reduce data dimensionality and Linear Discriminant Analysis to maximize class separation and enhance group discrimination based on treatment. Preliminary data show promising classification performance among the different TKIs, with sensitivity reaching 78.13%, specificity 94.54%, and an overall accuracy of 65.1% (Fig. 1). The result indicates a correlation between TKI treatment and the biochemical composition of EV that could be attributed to the drug being transported by the EV or to a distinct fingerprint present in EV released by CML and non-CML cells, revealing their off-target effects. Our findings support the potential of EV as non-invasive biomarkers in CML and highlight the effectiveness of FT-IR spectroscopy for their characterization, paving the way for new disease monitoring strategies. Moreover, since we analyzed patients undergoing TKI therapy and in molecular response, most EV originates from non-leukemic cells. Therefore, we are capturing a specific signal of the drug's effects on CML cells, but likely not exclusively, as it could also be related to side effects. This highlights the importance of monitoring patients to determine whether this fingerprint is specific to side effects and whether it could serve as a predictor for toxicity onset.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,069
Tête enseignante GPT0,449
Écart entre enseignants0,380 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDOAJ (DOAJ: Directory of Open Access Journals)Même sujetExtracellular vesicles in diseaseTravaux en français237 207