Deciphering the complexities of human diseases and disorders by coupling induced‐pluripotent stem cells and systems genetics
Notice bibliographique
Résumé
Abstract The recent discovery that adult mouse and human somatic cells can be ‘reprogrammed’ to a state of pluripotency by ectopic expression of only a few transcription factors has already made a major impact on the biomedical community. For the first time, it is possible to study diseases on an individual patient basis, which may eventually lead to the realization of personalized medicine. The utility of induced‐pluripotent stem cells (iPSCs) for modeling human diseases has greatly benefitted from established human embryonic stem cell (ESC) differentiation and tissue engineering protocols developed to generate many different cell and tissue types. The limited access to preimplantation genetic tested embryos and the difficulty in gene targeting human ESCs have restricted the use of human ESCs in modeling human disease. Afforded by iPSC technology is the ability to study disease pathogenesis as it unfolds during tissue morphogenesis. The complexities of molecular signaling and interplay with protein transduction during disease progression necessitate a systems approach to studying human diseases, whereby data can be statistically integrated by sorting out the signal to noise issues that arise from global biological changes associated with disease versus experimental noise. Using a systems approach, biomarkers can be identified that define the initiation or progression of disease and likewise can serve as putative therapeutic targets. WIREs Syst Biol Med 2012 doi: 10.1002/wsbm.1170 This article is categorized under: Models of Systems Properties and Processes > Cellular Models Laboratory Methods and Technologies > Genetic/Genomic Methods Translational, Genomic, and Systems Medicine > Translational Medicine
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 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 ».