Prediction of gene-based drug indications using compendia of public gene expression data and PubMed abstracts
Notice bibliographique
Résumé
The tremendous research effort on diseases and drug discovery has produced a huge amount of important biomedical information which is mostly hidden in the web. In addition, many databases have been created for the purpose of storing enormous amounts of information and high-throughput experiments related to drugs and diseases' effects on genes. Thus, developing an algorithm to integrate biological data from different sources forms one of the greatest challenges in the field of computational biology. Based on our belief that data integration would result in better understanding for the drug mode of action or the disease pathophysiology, we have developed a novel paradigm to integrate data from three major sources in order to predict novel therapeutic drug indications. Microarray data, biomedical text mining data, and gene interaction data have been all integrated to predict ranked lists of genes based on their relevance to a particular drug or disease molecular action. These ranked lists of genes have finally been used as a raw material for building a disease-drug connectivity map based on the enrichment between the up/down tags of a particular disease signature and the ranked lists of drugs. Using this paradigm, we have reported 13% sensitivity improvement in comparison with using microarray or text mining data independently. In addition, our paradigm is able to predict many clinically validated disease-drug associations that could not be captured using microarray or text mining data independently.
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 | 0,000 |
| 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 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 ».