論文の概要: Phenome-wide causal proteomics enhance systemic lupus erythematosus flare prediction: A study in Asian populations

• arxiv url: http://arxiv.org/abs/2411.11915v1
• Date: Mon, 18 Nov 2024 01:50:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:35:36.791940
• Title: Phenome-wide causal proteomics enhance systemic lupus erythematosus flare prediction: A study in Asian populations
• Title（参考訳）: フェノムワイド因果プロテオミクスによる全身性エリテマトーデスフレア予測:アジアにおける研究
• Authors: Liying Chen, Ou Deng, Ting Fang, Mei Chen, Xvfeng Zhang, Ruichen Cong, Dingqi Lu, Runrun Zhang, Qun Jin, Xinchang Wang,
• Abstract要約: 全身性エリテマトーデス(Systemic lupus erythematosus, SLE)は、予測不能フレアを特徴とする複雑な自己免疫疾患である。 本研究は,アジア系SLE人口を対象とした新しいループに基づくリスク予測モデルの構築を目的とする。
• 参考スコア（独自算出の注目度）: 8.003585790309332
• License:
• Abstract: Objective: Systemic lupus erythematosus (SLE) is a complex autoimmune disease characterized by unpredictable flares. This study aimed to develop a novel proteomics-based risk prediction model specifically for Asian SLE populations to enhance personalized disease management and early intervention. Methods: A longitudinal cohort study was conducted over 48 weeks, including 139 SLE patients monitored every 12 weeks. Patients were classified into flare (n = 53) and non-flare (n = 86) groups. Baseline plasma samples underwent data-independent acquisition (DIA) proteomics analysis, and phenome-wide Mendelian randomization (PheWAS) was performed to evaluate causal relationships between proteins and clinical predictors. Logistic regression (LR) and random forest (RF) models were used to integrate proteomic and clinical data for flare risk prediction. Results: Five proteins (SAA1, B4GALT5, GIT2, NAA15, and RPIA) were significantly associated with SLE Disease Activity Index-2K (SLEDAI-2K) scores and 1-year flare risk, implicating key pathways such as B-cell receptor signaling and platelet degranulation. SAA1 demonstrated causal effects on flare-related clinical markers, including hemoglobin and red blood cell counts. A combined model integrating clinical and proteomic data achieved the highest predictive accuracy (AUC = 0.769), surpassing individual models. SAA1 was highlighted as a priority biomarker for rapid flare discrimination. Conclusion: The integration of proteomic and clinical data significantly improves flare prediction in Asian SLE patients. The identification of key proteins and their causal relationships with flare-related clinical markers provides valuable insights for proactive SLE management and personalized therapeutic approaches.
• Abstract（参考訳）: 目的: 全身性エリテマトーデス(SLE)は予測不能フレアを特徴とする複雑な自己免疫疾患である。 本研究は, アジア系SLE人口を対象とした新しいプロテオミクスに基づくリスク予測モデルを構築し, パーソナライズされた疾患管理と早期介入を強化することを目的とした。 方法】SLE患者139名を含む48週間の長期コホート調査を行った。 非フレア群 (n = 53) と非フレア群 (n = 86) に分類した。 データ非依存的取得(DIA)プロテオミクス解析を行い,タンパク質と臨床予測因子の因果関係を評価するために,フェムワイドメンデルランダム化(PheWAS)を行った。 ロジスティック回帰 (LR) とランダムフォレスト (RF) モデルを用いて, プロテオミクスと臨床データを統合し, フレアリスク予測を行った。 結果: 5つのタンパク質 (SAA1, B4GALT5, GIT2, NAA15, RPIA) はSLE病活動指数2K(SLEDAI-2K)スコアと1年間のフレアリスクに有意に関連し, B細胞受容体シグナルや血小板脱顆粒といった重要な経路に関連していた。 SAA1はヘモグロビンや赤血球数を含むフレア関連臨床マーカーに因果効果を示した。 臨床データとプロテオミクスデータを組み合わせたモデルは、個々のモデルを上回る高い予測精度(AUC = 0.769)を達成した。 SAA1は、迅速なフレア識別のための優先的なバイオマーカーとして強調された。 結論: プロテオミクスと臨床データの統合は, アジアSLE患者のフレア予測を著しく改善する。 キータンパク質の同定とフレア関連臨床マーカーとの因果関係は、プロアクティブなSLE管理とパーソナライズされた治療アプローチに有用な洞察を与える。

関連論文リスト

• Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach [7.212939068975618]
  10,326人のCKD患者のデータを利用して,2009年から2018年までの臨床とクレーム情報を組み合わせた。 24ヶ月の観測窓は早期検出と予測精度のバランスをとるのに最適であると同定された。 2021年のeGFR方程式は予測精度を改善し、特にアフリカ系アメリカ人の偏見を低減した。
  論文  参考訳（メタデータ） (2024-10-02T03:21:01Z)
• Histopathology Based AI Model Predicts Anti-Angiogenic Therapy Response in Renal Cancer Clinical Trial [0.6087644423424302]
  本稿では,ユビキタスな病理組織スライドからAngioscoreを予測するための新しい深層学習(DL)手法を提案する。 本モデルでは, モデル予測の基盤となる視覚血管ネットワークを生成する。 我々のアプローチは血管新生生物学とAA治療反応に関する知見を提供する。
  論文  参考訳（メタデータ） (2024-05-28T16:21:20Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Clinical Characteristics and Laboratory Biomarkers in ICU-admitted Septic Patients with and without Bacteremia [7.152311859951986]
  本研究では,細菌の予測モデルを最適化するために,実験室バイオマーカーの予測力を評価した。 真菌血症48例の計218例について検討した。
  論文  参考訳（メタデータ） (2023-11-14T06:44:26Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Predicting Hyperkalemia in the ICU and Evaluation of Generalizability and Interpretability [5.9854349801427285]
  高カルシウム血症は致命的な不整脈を引き起こす危険がある。 集中治療室(ICU)患者を高カルシウム血症のリスクで同定する予測モデルを開発した。 i) 0.79, 0.81, 0.81 および (ii) 0.81, 0.85, 0.85 の AUC を用いて, LR, RF, XGBoost をそれぞれ予測した。
  論文  参考訳（メタデータ） (2021-01-16T12:35:27Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。