Gene batteries and synexpression groups applied in a multivariate statistical approach to dose–response analysis of toxicogenomic data
Notice bibliographique
Résumé
Univariate statistical analyses have limited strength when employed in low-dose toxicogenomic studies, due to diminished magnitudes and frequencies of gene expression responses, compounded by high data dimensionality. Analysis using co-regulated gene sets and a multivariate statistical test based upon ranks of expression were explored as means to improve statistical confidence and biological insight at low-doses. Sixteen gene regulatory groups were selected in order to investigate murine hepatic gene expression changes following low-dose oral exposure to the beta-adrenergic agonist, isoproterenol (IPR). Gene sets in this focussed analysis included well-defined gene batteries and synexpression groups with co-regulated responses to toxin exposures and linkage of chronic responses to adverse outcomes. Significant changes of target gene expression within Nfkb, Stat3 and 5' terminal oligopryrimidine (5'TOP) batteries, as well as the acute phase and angiogenesis synexpression groups, were detected at IPR doses 100-fold lower than doses producing significant individual gene expression values. IPR-induced changes in these target gene groups were confirmed using a similar analysis of rat toxicogenomic data from published IPR-induced cardiotoxicity studies. Cumulative expression differences within gene sets were useful as aggregated metrics for benchmark dose calculations. The results supported the conclusion that toxicologically-relevant, co-regulated genes provide an effective means to reduce microarray dimensionality, thereby providing substantial statistical and interpretive power for quantitative analysis of low-dose, toxin-induced gene expression changes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».