Reverse engineering adverse outcome pathways
Notice bibliographique
Résumé
The toxicological effects of many stressors are mediated through unknown, or incompletely characterized, mechanisms of action. The application of reverse engineering complex interaction networks from high dimensional omics data (gene, protein, metabolic, signaling) can be used to overcome these limitations. This approach was used to characterize adverse outcome pathways (AOPs) for chemicals that disrupt the hypothalamus-pituitary-gonadal endocrine axis in fathead minnows (FHM, Pimephales promelas). Gene expression changes in FHM ovaries in response to seven different chemicals, over different times, doses, and in vivo versus in vitro conditions, were captured in a large data set of 868 arrays. Potential AOPs of the antiandrogen flutamide were examined using two mutual information-based methods to infer gene regulatory networks and potential AOPs. Representative networks from these studies were used to predict network paths from stressor to adverse outcome as candidate AOPs. The relationship of individual chemicals to an adverse outcome can be determined by following perturbations through the network in response to chemical treatment, thus leading to the nodes associated with the adverse outcome. Identification of candidate pathways allows for formation of testable hypotheses about key biological processes, biomarkers, or alternative endpoints that can be used to monitor an AOP. Finally, the unique challenges facing the application of this approach in ecotoxicology were identified and a road map for the utilization of these tools presented.
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 | 0,000 | 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 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 ».