Comparative analysis of plasma‐derived extracellular vesicles isolation methods in the context of neurodegenerative diseases
Notice bibliographique
Résumé
BACKGROUND: Extracellular vesicles (EVs), particularly exosomes derived from plasma, are emerging as valuable tools in the search for non-invasive biomarkers for early detection and monitoring of neurodegenerative diseases, such as Alzheimer's disease. However, isolating EVs from blood is challenging due to its complex protein content. Optimizing isolation methods is crucial to maximize yield and purity, improving biomarker detection and clinical translation. Thus, this study aims to compare EVs isolation techniques to determine the most efficient approach for detecting neurodegenerative biomarkers using the Simoa HD-X platform. METHOD: Plasma samples were collected from 4 healthy volunteers aged 20-40 years. EVs were isolated using different methods: super centrifugation, precipitation (ExoQuick ULTRA), size-exclusion chromatography (SEC - Izon 70 nm) and SmartSEC, which combines SEC with an affinity-based mechanism to capture protein impurities. To characterize the EVs and compare the isolation techniques, nanoparticle tracking analysis (NTA) was used to evaluate the concentration and size, while transmission electron microscopy (TEM) assessed morphology. The protein content of EVs was quantified using the Bradford assay. Immunoassays for EV markers and the ultrasensitive immunoassay Simoa HD-X for neurodegenerative biomarkers in EV cargo, such as neurofilament light chain (NfL) and glial fibrillary acidic protein (GFAP), were performed. RESULT: particles/mL). TEM showed that SEC provided a high yield of particles and a greater size heterogeneity (100-1000 nm), while ExoQuick ULTRA was more pure by enriching specifically exosomes (30-150 nm). However, higher purity methods did not yield detectable biomarker levels when used with standard volumes of plasma, so additional biomarkers are being assessed. CONCLUSION: All methods are effective for isolating plasma-derived EVs, but ExoQuick ULTRA and SEC demonstrated superior performance and are now being further evaluated for biomarker detection. These findings contribute to identifying efficient EV isolation methods, supporting advances in blood biomarkers for neurodegenerative diseases.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 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 ».