A systems biology network model for genetic association studies of nicotine addiction and treatment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Interpreting genome-scale genetic association data, particularly for complex diseases and phenotypes, requires extensive use of prior knowledge across a broad range of potential biological and environmental influences, spanning many scientific subdisciplines. We suggest that known or hypothesized disease risk factors, and causal mechanisms, can be represented using an ontology, a computational specification of a set of concepts and the relations between them. METHODS: We have integrated the expertise of multiple investigators in nicotine pharmacokinetics and pharmacodynamics, nicotine dependence, and clinical smoking cessation outcomes, and represented this knowledge in an ontology-based network model. Our model spans multiple scales, from molecules, genes and cellular pathways, to complex behavioral phenotypes and even environmental factors. To leverage previous and ongoing work in the field of ontology development, we adopt, expand upon and relate elements from existing ontologies whenever possible. RESULTS: We discuss several applications of our ontology: to support interdisciplinary research by graphically representing a complex scientific theory, to facilitate meta-analysis across different studies, to highlight potential interactions, and to support statistical analysis and causal modeling. We demonstrate that our ontology can focus hypothesis testing on areas supported by current theory. CONCLUSION: We describe how an ontology-based computational representation can be applied to disease risk factors and mechanisms, enabling the use of prior knowledge in large-scale genetic association studies in general. In specific, we have developed an initial Smoking Behavior Risk Ontology to support studies related to the pharmacogenetics of nicotine addiction and treatment.
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.
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 | 0,000 |
| 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 découle