ระดับ D· รากฐานทางวิทยาศาสตร์จากห้องปฏิบัติการและสัตว์ทดลองการศึกษาในห้องปฏิบัติการEurope PMCเข้าถึงฉบับเต็มได้ฟรี

Cross-Tissue Analysis Using Machine Learning to Identify Novel Biomarkers for Knee Osteoarthritis

Zhao Y., Xia Y., Kuang G., Cao J., Shen F., Zhu M.

การศึกษาในห้องปฏิบัติการ เกี่ยวกับ ข้อเข่าเสื่อม, ข้อเสื่อม (ทั่วไป), กระดูกอ่อนบาดเจ็บ ตีพิมพ์ในวารสาร Comput Math Methods Med ปี 2022 — สรุปอัตโนมัติจากบทคัดย่อ PubMed

เปิดรายการอ่านของฉัน
ระดับ D· รากฐานทางวิทยาศาสตร์จากห้องปฏิบัติการและสัตว์ทดลองระดับหลักฐานของงานวิจัยนี้

หลักฐานจากการศึกษาในห้องปฏิบัติการและสัตว์ทดลอง เป็นรากฐานที่ช่วยให้เข้าใจกลไกและศักยภาพก่อนการศึกษาในมนุษย์ต่อไป

  • ระดับ A · หลักฐานทางคลินิกค่อนข้างแข็งแรง
  • ระดับ B · หลักฐานทางคลินิกที่กำลังเติบโตและมีสัญญาณเชิงบวก
  • ระดับ C · งานวิจัยในมนุษย์ระยะต้นที่กำลังสำรวจประโยชน์
  • ระดับ D · รากฐานทางวิทยาศาสตร์จากห้องปฏิบัติการและสัตว์ทดลอง
  • กำลังศึกษาเพิ่มเติม · หัวข้อใหม่ที่นักวิจัยกำลังสำรวจอย่างต่อเนื่อง
อ่านคำอธิบายระดับหลักฐาน A–D

ข้อมูลหน้านี้ดึงมาจากฐานข้อมูล PubMed โดยตรง คำอธิบายภาษาไทยเป็นสรุปอัตโนมัติจากข้อมูลบรรณานุกรมและบทคัดย่อ ไม่ใช่การแปลทั้งฉบับ และไม่ใช่คำแนะนำทางการแพทย์

ประเภทการศึกษา
การศึกษาในห้องปฏิบัติการ
วารสาร
Comput Math Methods Med (2022)
จำนวนผู้เข้าร่วม (จากบทคัดย่อ)
—
แหล่งข้อมูล
Europe PMC
PMID
35785145
PMCID
PMC9246600
DOI
10.1155/2022/9043300
จำนวนการอ้างอิง
4

บทคัดย่อ (ต้นฉบับภาษาอังกฤษ)

Background Knee osteoarthritis (KOA) is a common degenerative joint disease. In this study, we aimed to identify new biomarkers of KOA to improve the accuracy of diagnosis and treatment. Methods GSE98918 and GSE51588 were downloaded from the Gene Expression Omnibus database as training sets, with a total of 74 samples. Gene differences were analyzed by Gene Ontology, Kyoto Encyclopedia of Genes and Genomes pathway, and Disease Ontology enrichment analyses for the differentially expressed genes (DEGs), and GSEA enrichment analysis was carried out for the training gene set. Through least absolute shrinkage and selection operator regression analysis, the support vector machine recursive feature elimination algorithm, and gene expression screening, the range of DEGs was further reduced. Immune infiltration analysis was carried out, and the prediction results of the combined biomarker logistic regression model were verified with GSE55457. Results In total, 84 DEGs were identified through differential gene expression analysis. The five biomarkers that were screened further showed significant differences in cartilage, subchondral bone, and synovial tissue. The diagnostic accuracy of the model synthesized using five biomarkers through logistic regression was better than that of a single biomarker and significantly better than that of a single clinical trait. Conclusions CX3CR1, SLC7A5,

สิ่งที่งานวิจัยนี้ไม่ได้พิสูจน์

  • • งานวิจัยนี้ไม่ได้พิสูจน์ว่า SVF เป็นการรักษาที่ได้รับการรับรอง หรือใช้แทนการรักษามาตรฐานได้
  • • เป็นการศึกษาก่อนคลินิก ผลในสัตว์ทดลองหรือห้องปฏิบัติการไม่สามารถนำมาสรุปผลในมนุษย์ได้

ระดับหลักฐาน

หลักฐานจากการศึกษาในห้องปฏิบัติการและสัตว์ทดลอง เป็นรากฐานที่ช่วยให้เข้าใจกลไกและศักยภาพก่อนการศึกษาในมนุษย์ต่อไป

ดูวิธีจัดระดับหลักฐาน
HumansOsteoarthritis, KneeADP-Ribosylation FactorsGene Expression ProfilingGene Regulatory NetworksBiomarkersSupport Vector Machine

ดูงานวิจัยทั้งหมดที่เกี่ยวข้อง

กรองห้องสมุดงานวิจัยด้วยชื่อเรื่อง ชื่อผู้เขียน หรือปีที่ตีพิมพ์ของงานวิจัยนี้

งานวิจัยที่เกี่ยวข้อง