Ghrelin is a novel endogenous natural ligand for the growth hormone (GH) secretagogue receptor that has recently been isolated from the rat stomach. Ghrelin administration stimulates GH secretion but also causes weight gain by increasing food intake and reducing fat utilization in rodents. To investigate the possible involvement of ghrelin in the pathogenesis of human obesity, we measured body composition (by dual X-ray absorption) as well as fasting plasma ghrelin concentrations (radioimmunoassay) in 15 Caucasians (8 men and 7 women, 31 ± 9 years of age, 92 ± 24 kg body wt, and 29±10% body fat, mean ± SD) and 15 Pima Indians (8 men and 7 women, 33 ± 5 years of age, 97 ± 29 kg body wt, and 30 ± 8% body fat). Fasting plasma ghrelin was negatively correlated with percent body fat (r = –0.45; P = 0.01), fasting insulin (r = – 0.45; P = 0.01) and leptin (r = –0.38; P = 0.03) concentrations. Plasma ghrelin concentration was decreased in obese Caucasians as compared with lean Caucasians (P < 0.01). Also, fasting plasma ghrelin was lower in Pima Indians, a population with a very high prevalence of obesity, compared with Caucasians (87 ± 28 vs. 129 ± 34 fmol/ml; P < 0.01). This result did not change after adjustment for fasting plasma insulin concentration. There was no correlation between fasting plasma ghrelin and height. Prospective clinical studies are now needed to establish the role of ghrelin in the pathogenesis of human obesity.

The Microarray Quality Control consortium pitted 36 teams against each other to evaluate methods for creating genomic classifiers, computational tools for interpreting gene expression profiles. The performance of the classifiers on blinded validation data—and metadata on the analytic methods—reveal the challenges facing the field. Gene expression data from microarrays are being applied to predict preclinical and clinical endpoints, but the reliability of these predictions has not been established. In the MAQC-II project, 36 independent teams analyzed six microarray data sets to generate predictive models for classifying a sample with respect to one of 13 endpoints indicative of lung or liver toxicity in rodents, or of breast cancer, multiple myeloma or neuroblastoma in humans. In total, >30,000 models were built using many combinations of analytical methods. The teams generated predictive models without knowing the biological meaning of some of the endpoints and, to mimic clinical reality, tested the models on data that had not been used for training. We found that model performance depended largely on the endpoint and team proficiency and that different approaches generated models of similar performance. The conclusions and recommendations from MAQC-II should be useful for regulatory agencies, study committees and independent investigators that evaluate methods for global gene expression analysis.

Most biopharmaceutical therapeutics elicit some level of antibody response against the product. This antibody response can, in some cases, lead to potentially serious side effects and/or loss of efficacy. Therefore, the immunogenicity of therapeutic proteins is a concern for clinicians, manufacturers and regulatory agencies. In order to assess immunogenicity of these molecules, appropriate detection, quantitation and characterization of antibody responses are necessary. Inadequately designed antibody assays have led to the hampering of product development or, during licensure, post-marketing commitments. This document provides scientific recommendations based on the experience of the authors for the development of anti-product antibody immunoassays intended for preclinical or clinical studies. While the main focus of this document is assay design considerations, we provide scientific focus and background to the various assay performance parameters necessary for developing a valid assay. Sections on assay performance parameters, including those that appear in regulatory guidances, are contained in this manuscript.

A comparison of RNA-seq and microarray data from samples treated with diverse drugs highlights a dependency of cross-platform concordance on treatment effect. The concordance of RNA-sequencing (RNA-seq) with microarrays for genome-wide analysis of differential gene expression has not been rigorously assessed using a range of chemical treatment conditions. Here we use a comprehensive study design to generate Illumina RNA-seq and Affymetrix microarray data from the same liver samples of rats exposed in triplicate to varying degrees of perturbation by 27 chemicals representing multiple modes of action (MOAs). The cross-platform concordance in terms of differentially expressed genes (DEGs) or enriched pathways is linearly correlated with treatment effect size (R2≈0.8). Furthermore, the concordance is also affected by transcript abundance and biological complexity of the MOA. RNA-seq outperforms microarray (93% versus 75%) in DEG verification as assessed by quantitative PCR, with the gain mainly due to its improved accuracy for low-abundance transcripts. Nonetheless, classifiers to predict MOAs perform similarly when developed using data from either platform. Therefore, the endpoint studied and its biological complexity, transcript abundance and the genomic application are important factors in transcriptomic research and for clinical and regulatory decision making.

Gene expression profiling is being widely applied in cancer research to identify biomarkers for clinical endpoint prediction. Since RNA-seq provides a powerful tool for transcriptome-based applications beyond the limitations of microarrays, we sought to systematically evaluate the performance of RNA-seq-based and microarray-based classifiers in this MAQC-III/SEQC study for clinical endpoint prediction using neuroblastoma as a model.We generate gene expression profiles from 498 primary neuroblastomas using both RNA-seq and 44 k microarrays. Characterization of the neuroblastoma transcriptome by RNA-seq reveals that more than 48,000 genes and 200,000 transcripts are being expressed in this malignancy. We also find that RNA-seq provides much more detailed information on specific transcript expression patterns in clinico-genetic neuroblastoma subgroups than microarrays. To systematically compare the power of RNA-seq and microarray-based models in predicting clinical endpoints, we divide the cohort randomly into training and validation sets and develop 360 predictive models on six clinical endpoints of varying predictability. Evaluation of factors potentially affecting model performances reveals that prediction accuracies are most strongly influenced by the nature of the clinical endpoint, whereas technological platforms (RNA-seq vs. microarrays), RNA-seq data analysis pipelines, and feature levels (gene vs. transcript vs. exon-junction level) do not significantly affect performances of the models.We demonstrate that RNA-seq outperforms microarrays in determining the transcriptomic characteristics of cancer, while RNA-seq and microarray-based models perform similarly in clinical endpoint prediction. Our findings may be valuable to guide future studies on the development of gene expression-based predictive models and their implementation in clinical practice.

Abstract Recent data have found that aging-related hearing loss (ARHL) is associated with the development of Alzheimer Disease (AD). However, the nature of the relationship between these two disorders is not clear. There are multiple potential factors that link ARHL and AD, and previous investigators have speculated that shared metabolic dysregulation may underlie the propensity to develop both disorders. Here, we investigate the distribution of serum lipidomic biomarkers in AD subjects with or without hearing loss in a publicly available dataset. Serum levels of 349 known lipids from 16 lipid classes were measured in 185 AD patients. Using previously defined co-regulated sets of lipids, both age- and sex-adjusted, we found that lipid sets enriched in phosphatidylcholine and phosphatidylethanolamine showed a strong inverse association with hearing loss. Examination of biochemical classes confirmed these relationships and revealed that serum phosphatidylcholine levels were significantly lower in AD subjects with hearing loss. A similar relationship was not found in normal subjects. These data suggest that a synergistic relationship may exist between AD, hearing loss and metabolic biomarkers, such that in the context of a pathological state such as AD, alterations in serum metabolic profiles are associated with hearing loss. These data also point to a potential role for phosphatidylcholine, a molecule with antioxidant properties, in the underlying pathophysiology of ARHL in the context of AD, which has implications for our understanding and potential treatment of both disorders.

Sensitive and accurate biomarkers for the prediction of conversion from mild cognitive impairment (MCI) to Alzheimer Disease (AD) are needed to both support clinical care and enhance clinical trial design. Here, we examined the potential of cerebrospinal fluid (CSF) levels of a peptide derived from a neural protein involved in synaptic transmission, VGF (a non-initialism), to enhance accuracy of prediction of conversion from MCI to AD. The performance of conventional biomarkers (CSF Aβ1-42 and phosphorylated tau +/- hippocampal volume) was compared to the same biomarkers with CSF VGF peptide levels. It was observed that VGF peptides are lowered in patients with AD compared to controls and that combinations of CSF Aβ1-42 and phosphorylated tau, hippocampal volume and VGF peptide levels outperformed conventional biomarkers alone (hazard ratio = 2.2 vs. 3.9). VGF peptide levels were correlated most strongly with total tau levels, but not hippocampal volume, suggesting that they serve as a marker for neuronal degradation, but not necessarily in the hippocampus. The latter point suggests that VGF may serve as a more general marker of neurodegeneration. Future work will be needed to determine the specificity of VGF for AD vs. other neurodegenerative diseases.

This study examines whether phosphorylated plasma Tau217 ratio (pTau217R) can predict tau accumulation in different brain regions, as measured by positron emission tomography (PET) standardized uptake value ratio (SUVR), for staging Alzheimer's disease (AD).