MétaCan
Menu
Retour à la cohorte
Enregistrement W2101342994 · doi:10.1002/gepi.20474

The challenge of detecting epistasis (G×G Interactions): Genetic Analysis Workshop 16

2009· article· en· W2101342994 sur OpenAlex
Ping An, Odity Mukherjee, Pritam Chanda, Yao Li, Corinne D. Engelman, Chien‐Hsun Huang, Tian Zheng, Ilija Kovac, Marie‐Pierre Dubé, Xueying Liang, Jia Li, Mariza de Andrade, Robert Culverhouse, Doerthe Malzahn, Alisa K. Manning, Geraldine M Clarke, Jeesun Jung, Michael A. Province

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueGenetic Epidemiology · 2009
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetic Associations and Epidemiology
Établissements canadiensMontreal Heart Institute
Organismes subventionnairesNational Institute of Arthritis and Musculoskeletal and Skin DiseasesNational Center for Research ResourcesNational Institute of General Medical SciencesNational Institute on Drug AbuseUniversity of WashingtonNational Institute on Alcohol Abuse and AlcoholismNational Institute on AgingNational Institutes of HealthFogarty International CenterNational Heart, Lung, and Blood Institute
Mots-clésEpistasisPenetranceVariety (cybernetics)Genome-wide association studyComputational biologyVariance (accounting)Genetic associationBiologyEvolutionary biologyStatisticsComputer scienceMachine learningEconometricsGeneticsArtificial intelligenceMathematicsGenotypeGenePhenotypeSingle-nucleotide polymorphism

Résumé

récupéré en direct d'OpenAlex

Interest is increasing in epistasis as a possible source of the unexplained variance missed by genome-wide association studies. The Genetic Analysis Workshop 16 Group 9 participants evaluated a wide variety of classical and novel analytical methods for detecting epistasis, in both the statistical and machine learning paradigms, applied to both real and simulated data. Because the magnitude of epistasis is clearly relative to scale of penetrance, and therefore to some extent, to the choice of model framework, it is not surprising that strong interactions under one model might be minimized or even disappear entirely under a different modeling framework.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,612
Score d'incertitude au seuil0,949

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,326
Écart entre enseignants0,295 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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