Journal of translational autoimmunity · 2025

Биомаркеры на основе разбрызгивания определяют надежный многогенный классификатор для повторного излучающего множественный склероз.

СтатьяНазвание и аннотация: Машинный перевод · не проверен

Обработка статьи · этапы, ошибки и управление

Загрузка состояния…

История · было → стало

Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.

Airi Federica, Rimoldi Valeria, Paraboschi Elvezia Maria, Pellicanò Valentina, Verda Damiano, Liberatore Giuseppe, Cantoni Claudia, Piccio Laura, Bisecco Alvino, Capalbo Anita, Cardamone Giulia, Nobile-Orazio Eduardo, Soldà Giulia, Asselta Rosanna

Аннотация

СПРАВОЧНАЯ ИНФОРМАЦИЯ: Альтернативный скрещивание (AS) признается в качестве ключевого механизма многократного склероза (MS). Мы поставили перед собой цель создать и утвердить многовариантный классификатор на основе АС (MS-Slicing Score, MS-SS) для дискриминации пациентов, вновь выделяющих MS (RRMS), от здорового контроля. МЕТОДЫ: На основе функциональных и литературных данных были отобраны три мероприятия AS (IFNAR2 exon-8 пропуск, NFAT5 exon-2 пропуск, PRKCA exon-3*. Изоформы были количественно оценены с помощью флуоресцентно-конкурентных RT-PCR в периферийных РНК в крови от двух независимых групп (Италия: 37 RRMS, 50 мер контроля; США: 29 RRMS, 20 мер контроля). Для получения MS-SS была подготовлена модель логистической регрессии, за которой последовал анализ ROC.Результаты: MS-SS отличали пациентов RRMS от контроля в обеих группах (Италия: p = 0,00083, AUC = 0,71, 95% CI = 0,59-0,82; США: p = 0,00074, AUC = 0,77, 95% CI = 0,63-0,90). В объединенном наборе данных балл оставался значительно выше в MS (p = 5,9 × 10-6, AUC = 0,72, 95% CI = 0,64-0,81) и усовершенствованной классификации на основе PCA, что дало AUC = 0,87 (95% CI = 0,81-0,94). При оптимальном отсечении (индекс Youden) балл достиг чувствительности 80% и специфичности 86%. Контролируемое моделирование на основе норм с использованием алгоритма машин логического обучения выявило интерпретируемые пороговые значения сращивания и позволило провести клиническую классификацию на индивидуальном уровне.ЗАКЛЮЧЕНИЕ: В нашем исследовании представлен новый, надежный классификатор на основе AS для RRMS и предлагается стратегия разработки биомаркеров на основе транскриптомов в нейроиммунологии. Однако относительно небольшие размеры выборки в каждой когорте могут ограничить возможность обобщения этих выводов, что требует проведения более масштабных исследований по проверке достоверности для подтверждения клинической полезности этого биомаркера.

Оригинал публикации

Splicing-based biomarkers define a robust multigene classifier for relapsing-remitting multiple sclerosis.

BACKGROUND: Alternative splicing (AS) is recognized as a key mechanism in multiple sclerosis (MS). We aimed to construct and validate a multivariate AS-based classifier (MS-Splicing Score, MS-SS) for the discrimination of relapsing-remitting MS (RRMS) patients from healthy controls.

METHODS: Three AS events (IFNAR2 exon-8 skipping, NFAT5 exon-2 skipping, PRKCA exon-3∗ inclusion) were selected based on functional and literature evidence. Isoforms were quantified via fluorescent-competitive RT-PCR in peripheral blood RNA from two independent cohorts (Italy: 37 RRMS, 50 controls; USA: 29 RRMS, 20 controls). A logistic regression model was trained to derive the MS-SS, followed by ROC analysis.

RESULTS: The MS-SS distinguished RRMS patients from controls in both cohorts (Italy: p = 0.00083, AUC = 0.71, 95 %CI = 0.59-0.82; USA: p = 0.00074, AUC = 0.77, 95 %CI = 0.63-0.90). In the pooled dataset, the score remained significantly elevated in MS (p = 5.9 × 10-6, AUC = 0.72, 95 %CI = 0.64-0.81), and a PCA-based refinement improved classification accuracy, yielding an AUC = 0.87 (95 %CI = 0.81-0.94). At the optimal cutoff (Youden's index), the score achieved a sensitivity of 80 % and specificity of 86 %. Supervised rule-based modeling using a logic-learning machine algorithm identified interpretable splicing thresholds and enabled clinical classification at the individual level.

CONCLUSION: Our study introduces a novel, robust AS-based classifier for RRMS and proposes a strategy for transcriptome-based biomarker development in neuroimmunology. However, the relatively small sample sizes within each cohort may limit the generalizability of these findings, warranting larger validation studies to confirm the clinical utility of this biomarker.

Биомаркеры на основе разбрызгивания определяют надежный многогенный классификатор для повторного излучающего множественный склероз.

Ошибки и ограничения

Аннотация

Splicing-based biomarkers define a robust multigene classifier for relapsing-remitting multiple sclerosis.