論文の概要: Exploring proteomic signatures in sepsis and non-infectious systemic inflammatory response syndrome

• arxiv url: http://arxiv.org/abs/2502.18305v1
• Date: Tue, 25 Feb 2025 15:46:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:20:53.105010
• Title: Exploring proteomic signatures in sepsis and non-infectious systemic inflammatory response syndrome
• Title（参考訳）: 敗血症および非感染性全身性炎症性反応症候群におけるプロテオミクスシグナルの探索
• Authors: Adolfo Ruiz-Sanmartín, Vicent Ribas, David Suñol, Luis Chiscano-Camón, Laura Martín, Iván Bajaña, Juliana Bastida, Nieves Larrosa, Juan José González, M Dolores Carrasco, Núria Canela, Ricard Ferrer, Juan Carlos Ruiz-Rodrígue,
• Abstract要約: 本研究の目的は、敗血症と非感染性全身性炎症性反応症候群(NISIRS)の鑑別発現の潜在的なタンパク質バイオマーカーを同定することである。 質量分析法を用いて, 被験者の血漿タンパク質を解析した。 タンパク質-タンパク質相互作用ネットワークをStringソフトウェアで解析した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Background: The search for new biomarkers that allow an early diagnosis in sepsis has become a necessity in medicine. The objective of this study is to identify potential protein biomarkers of differential expression between sepsis and non-infectious systemic inflammatory response syndrome (NISIRS). Methods: Prospective observational study of a cohort of septic patients activated by the Sepsis Code and patients admitted with NISIRS, during the period 2016-2017. A mass spectrometry-based approach was used to analyze the plasma proteins in the enrolled subjects. Subsequently, using recursive feature elimination (RFE) classification and cross-validation with a vector classifier, an association of these proteins in patients with sepsis compared to patients with NISIRS. The protein-protein interaction network was analyzed with String software. Results: A total of 277 patients (141 with sepsis and 136 with NISIRS) were included. After performing RFE, 25 proteins in the study patient cohort showed statistical significance, with an accuracy of 0.960, specificity of 0.920, sensitivity of 0.973, and an AUC of 0.985. Of these, 14 proteins (vWF, PPBP, C5, C1RL, FCN3, SAA2, ORM1, ITIH3, GSN, C1QA, CA1, CFB, C3, LBP) have a greater relationship with sepsis while 11 proteins (FN1, IGFALS, SERPINA4, APOE, APOH, C6, SERPINA3, AHSG, LUM, ITIH2, SAA1) are more expressed in NISIRS.
• Abstract（参考訳）: 背景: 敗血症の早期診断を可能にする新しいバイオマーカーの検索は, 医学において必要とされている。 本研究の目的は、敗血症と非感染性全身性炎症性反応症候群(NISIRS)の鑑別発現の潜在的なタンパク質バイオマーカーを同定することである。 方法:2016-2017年の間にセプシス法によって活性化された敗血症患者とNISIRSが認められた患者のコホートを前向きに観察した。 質量分析法を用いて, 被験者の血漿タンパク質を解析した。 その後、再帰的特徴除去(RFE)分類とベクトル分類器とのクロスバリデーションを用いて、これらのタンパク質の敗血症患者におけるNISIRSとの比較を行った。 タンパク質-タンパク質相互作用ネットワークをStringソフトウェアで解析した。 結果: 症例は277例 (敗血症141例, NISIRS136例) であった。 RFE施行後, 患者コホート中の25タンパク質は, 0.960の精度, 0.920の特異性, 0.973の感度, AUCの0.985の統計的意義を示した。 このうち14タンパク質(vWF、PPBP、C5、C1RL、FCN3、SAA2、ORM1、ITIH3、GSN、C1QA、CA1、CFB、C3、LBP)は敗血症とより深く関連しており、11タンパク質(FN1、IGFALS、SERPINA4、APOE、APOH、C6、SERPINA3、AHSG、LUM、ITIH2、SAA1)はNISIRSでより多く発現している。

関連論文リスト

• Phenome-wide causal proteomics enhance systemic lupus erythematosus flare prediction: A study in Asian populations [8.003585790309332]
  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。
  論文  参考訳（メタデータ） (2024-11-18T01:50:36Z)
• Assessing Concordance between RNA-Seq and NanoString Technologies in Ebola-Infected Nonhuman Primates Using Machine Learning [0.0]
  エボラウイルス(EBOV)感染非ヒト霊長類の遺伝子発現解析におけるRNAシークエンシング(RNA-Seq)とNanoString技術の比較を行った。 ナノストリングデータに基づいてトレーニングされたSupervised Magnitude-Altitude Scoring (SMAS) 手法を用いた機械学習手法では,RT-qPCR陽性を陰性試料と区別する鍵マーカーとしてOAS1が同定された。 OAS1はまた、ロジスティック回帰を用いて感染していないサンプルの識別を100%精度で達成し、プラットフォーム間の堅牢性を実証した。
  論文  参考訳（メタデータ） (2024-10-30T20:21:20Z)
• Long-context Protein Language Model [76.95505296417866]
  言語モデル(LM)の自己教師による訓練は、有意義な表現の学習や創薬設計において、タンパク質配列に大きな成功を収めている。 ほとんどのタンパク質LMは、短い文脈長を持つ個々のタンパク質に基づいて訓練されたトランスフォーマーアーキテクチャに基づいている。 そこで我々は,選択的構造化状態空間モデルから構築した代替のタンパク質LMアーキテクチャであるBiMamba-Sに基づくLC-PLMを提案する。 また、第2段階のトレーニングのために、タンパク質-タンパク質相互作用グラフの文脈化を行うLC-PLM-Gも導入した。
  論文  参考訳（メタデータ） (2024-10-29T16:43:28Z)
• Integrating Protein Sequence and Expression Level to Analysis Molecular Characterization of Breast Cancer Subtypes [0.0]
  本研究の目的は、乳癌のサブタイプの分子的特徴を改善するために、タンパク質配列データと発現レベルを統合することである。 タンパク質配列に設計された言語モデルであるProtGPT2を用いて,タンパク質配列の機能的および構造的特性をキャプチャする埋め込みを生成する。 これらの埋め込みはタンパク質の発現レベルと統合され、強化された生物学的表現を形成し、機械学習を用いて解析した。
  論文  参考訳（メタデータ） (2024-10-02T17:05:48Z)
• New spectral imaging biomarkers for sepsis and mortality in intensive care [0.23592579902069336]
  本研究の推進的仮説は、高スペクトルイメージング(HSI)が敗血症診断および治療管理のための新しいバイオマーカーを提供することができるというものであった。 集中治療室入院当日480名以上の患者の手のひらと指のHSIデータを総合的に調査した。
  論文  参考訳（メタデータ） (2024-08-19T10:24:57Z)
• ProLLM: Protein Chain-of-Thoughts Enhanced LLM for Protein-Protein Interaction Prediction [54.132290875513405]
  タンパク質-タンパク質相互作用(PPI)の予測は、生物学的機能や疾患を理解する上で重要である。 PPI予測に対する従来の機械学習アプローチは、主に直接的な物理的相互作用に焦点を当てていた。 PPIに適したLLMを用いた新しいフレームワークProLLMを提案する。
  論文  参考訳（メタデータ） (2024-03-30T05:32:42Z)
• PSC-CPI: Multi-Scale Protein Sequence-Structure Contrasting for Efficient and Generalizable Compound-Protein Interaction Prediction [63.50967073653953]
  化合物-タンパク質相互作用予測は、合理的な薬物発見のための化合物-タンパク質相互作用のパターンと強度を予測することを目的としている。 既存のディープラーニングベースの手法では、タンパク質配列や構造が単一のモダリティしか利用していない。 CPI予測のためのマルチスケールタンパク質配列構造コントラストフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T03:51:10Z)
• 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)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• 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)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)

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。