CellFrame: A Data Structure for Abstraction of Cell Biology Experiments and Construction of Perturbation Networks
Notice bibliographique
Résumé
Different cell types could respond to the same set of stimuli in very different ways, so it is important to collect and integrate these experimental data in a cell-type specific manner in order to properly model these processes. In practice, however, cellular or biochemical models were usually constructed separately, with data from multiple cell sources, making it difficult to compare or combine these models. To circumvent this problem, we propose to conduct the model integration at the data level. To facilitate this purpose we have designed a data structure (CellFrame) to store cell-specific data, such as cellular component measurement and stimulus-response, and to infer cell perturbation network (a cellular network representing the stimulus-response relationships between the cellular and/or environmental components). The CellFrame database consists of two data types: data classes and supporting classes. Data classes constitute three modules: cell component measurement, qualitative cell perturbation, and quantitative cell perturbation. Supporting classes serve as adaptors, linking to external molecular or literature databases. We have implemented an initial version of CellFrame, which contains data collected from reported experiments on human brain astrocytoma and colorectal cancer cell lines (http://cellframe.bioknowledge.org). Perturbation networks are inferred following Boolean differential calculus. CellFrame will provide an opportunity to integrate cell biological data from a wide variety of experimental groups to help build cell models and design further experiments.
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) | 0,000 | 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 ».