Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

MALDI-TOF Mass Spectrometry01:19

MALDI-TOF Mass Spectrometry

5.2K
Mass spectrometry is a powerful characterization technique that can identify and separate a wide variety of compounds ranging from chemical to biological entities, based on their mass-to-charge ratio (m/z). The instruments that allow this detection, known as mass spectrometers, have three components: an ion source, a mass analyzer, and a detector. These spectrometers differ based on the nature of their ion source and analyzers.
Matrix-assisted laser desorption ionization (MALDI) is a commonly...
5.2K
Genome-wide Association Studies-GWAS01:11

Genome-wide Association Studies-GWAS

14.1K
Genome-wide association studies or GWAS are used to identify whether common SNPs are associated with certain diseases. Suppose specific SNPs are more frequently observed in individuals with a particular disease than those without the disease. In that case, those SNPs are said to be associated with the disease. Chi-square analysis is performed to check the probability of the allele likely to be associated with the disease.
GWAS does not require the identification of the target gene involved in...
14.1K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Fluorinated Gamma-carboline Derivatives as Promising Neuroprotective Candidates. Structure-Activity Relationships.

Central nervous system agents in medicinal chemistry·2026
Same author

[Subjective cognitive impairment in patients with cerebral microangiopathy].

Zhurnal nevrologii i psikhiatrii imeni S.S. Korsakova·2026
Same author

Two-Stage Probability-Enhanced Regression on Property Matrices and LLM Embeddings Enables State-of-the-Art Prediction of Gene Knockdown by Modified siRNAs.

International journal of molecular sciences·2025
Same author

[Temporal lobe seizures of immune and structural etiology].

Zhurnal nevrologii i psikhiatrii imeni S.S. Korsakova·2025
Same author

[Algorithms for the diagnosis of autoimmune encephalitis].

Zhurnal nevrologii i psikhiatrii imeni S.S. Korsakova·2025
Same author

[Cerebral microangiopathy].

Zhurnal nevrologii i psikhiatrii imeni S.S. Korsakova·2025

Video Experimental Relacionado

Updated: Sep 10, 2025

Microbiota Analysis Using Two-step PCR and Next-generation 16S rRNA Gene Sequencing
11:22

Microbiota Analysis Using Two-step PCR and Next-generation 16S rRNA Gene Sequencing

Published on: October 15, 2019

29.3K

Las firmas del microbioma intestinal en la esclerosis múltiple: un estudio de casos y controles con aprendizaje

Margarita V Neklesova1,2, Karine S Sogomonyan2, Ivan A Golovkin2,3

  • 1Institute of Cytology of the Russian Academy of Sciences, 194064 St. Petersburg, Russia.

Biomedicines
|August 28, 2025
PubMed
Resumen

Las alteraciones del microbioma intestinal están relacionadas con la esclerosis múltiple (EM). Los modelos de aprendizaje automático identificaron efectivamente estas firmas microbianas, mostrando potencial para el diagnóstico de EM basado en perfiles de bacterias intestinales.

Palabras clave:
Secuenciación de genes de ARNr 16SClasificador de máquinas de aceleración por gradiente de luzEl microbioma intestinalLa microbiota intestinalAprendizaje automáticoesclerosis múltiple

Más Videos Relacionados

Analysis of Fecal Microbiota Dynamics in Lupus-Prone Mice Using a Simple, Cost-Effective DNA Isolation Method
05:28

Analysis of Fecal Microbiota Dynamics in Lupus-Prone Mice Using a Simple, Cost-Effective DNA Isolation Method

Published on: May 2, 2022

2.2K
Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
08:51

Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts

Published on: September 20, 2024

1.5K

Videos de Experimentos Relacionados

Last Updated: Sep 10, 2025

Microbiota Analysis Using Two-step PCR and Next-generation 16S rRNA Gene Sequencing
11:22

Microbiota Analysis Using Two-step PCR and Next-generation 16S rRNA Gene Sequencing

Published on: October 15, 2019

29.3K
Analysis of Fecal Microbiota Dynamics in Lupus-Prone Mice Using a Simple, Cost-Effective DNA Isolation Method
05:28

Analysis of Fecal Microbiota Dynamics in Lupus-Prone Mice Using a Simple, Cost-Effective DNA Isolation Method

Published on: May 2, 2022

2.2K
Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
08:51

Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts

Published on: September 20, 2024

1.5K

Área de la Ciencia:

  • Investigación del microbioma
  • Biología computacional
  • Neuroinmunología

Sus antecedentes:

  • La disbiosis intestinal está asociada con la esclerosis múltiple (EM), pero faltan biomarcadores microbianos consistentes.
  • El aprendizaje automático (ML) puede integrar datos del microbioma para identificar biomarcadores asociados a la enfermedad y comprender la patogénesis de la EM.
  • Estudios anteriores muestran firmas microbianas intestinales inconsistentes en pacientes con EM.

Objetivo del estudio:

  • Para identificar las firmas microbianas intestinales específicas asociadas con la EM.
  • Evaluar el potencial diagnóstico de los modelos de EM utilizando datos del microbioma para la detección de EM.
  • Integrar los hallazgos con la literatura existente para una comprensión integral.

Principales métodos:

  • Secuenciación del gen 16S rRNA de muestras fecales de 29 pacientes con EM y 27 controles sanos.
  • Análisis diferencial de abundancia e integración de datos con 29 estudios publicados.
  • Desarrollo y evaluación de cuatro modelos de LM para distinguir los perfiles de microbioma asociados a los EM.

Principales resultados:

  • Los pacientes con EM mostraron una reducción en la abundancia de las especies Eubacteriales, Lachnospirales, Oscillospiraceae, Lachnospiraceae, Parasutterella y Faecalibacterium.
  • Se observó un aumento de la abundancia de Lachnospiraceae UCG- 008 en pacientes con EM.
  • Un clasificador de máquina de aumento de gradiente de luz logró un alto rendimiento (precisión: 0,88, AUC-ROC: 0,95) en la diferenciación de pacientes con EM.

Conclusiones:

  • Este estudio identificó una disbiosis específica del microbioma intestinal en pacientes con EM.
  • Los modelos de ML demuestran un potencial significativo para el diagnóstico de EM basado en perfiles de microbioma.
  • Se necesita más investigación para explorar el papel mecanicista y las implicaciones terapéuticas de estas alteraciones microbianas en la EM.