MétaCan
Menu
Retour à la cohorte
Enregistrement W2167840168 · doi:10.1371/journal.pone.0002412

Fibroblast and Lymphoblast Gene Expression Profiles in Schizophrenia: Are Non-Neural Cells Informative?

2008· article· en· W2167840168 sur OpenAlexaff
Nicholas Matigian, Richard D. McCurdy, François Féron, Christopher Perry, Heather J. Smith, Cheryl Filippich, Duncan McLean, John J. McGrath, Alan Mackay‐Sim, Bryan Mowry, Nicholas K. Hayward

Notice bibliographique

RevuePLoS ONE · 2008
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetic Associations and Epidemiology
Établissements canadiensSickKids Foundation
Organismes subventionnairesGarnett Passe and Rodney Williams Memorial Foundation
Mots-clésGene expression profilingBiologyGene expressionDNA microarrayMicroarrayTranscriptomeGeneSignificance analysis of microarraysMicroarray analysis techniquesGeneticsMolecular biology

Résumé

récupéré en direct d'OpenAlex

Lymphoblastoid cell lines (LCLs) and fibroblasts provide conveniently derived non-neuronal samples in which to investigate the aetiology of schizophrenia (SZ) using gene expression profiling. This assumes that heritable mechanisms associated with risk of SZ have systemic effects and result in changes to gene expression in all tissues. The broad aim of this and other similar studies is that comparison of the transcriptomes of non-neuronal tissues from SZ patients and healthy controls may identify gene/pathway dysregulation underpinning the neurobiological defects associated with SZ. Using microarrays consisting of 18,664 probes we compared gene expression profiles of LCLs from SZ cases and healthy controls. To identify robust associations with SZ that were not patient or tissue specific, we also examined fibroblasts from an independent series of SZ cases and controls using the same microarrays. In both tissue types ANOVA analysis returned approximately the number of differentially expressed genes expected by chance. No genes were significantly differentially expressed in either tissue when corrected for multiple testing. Even using relaxed parameters (p < or = 0.05, without multiple testing correction) there were still no differentially expressed genes that also displayed > or = 2-fold change between the groups of SZ cases and controls common to both LCLs and fibroblasts. We conclude that despite encouraging data from previous microarray studies assessing non-neural tissues, the lack of a convergent set of differentially expressed genes associated with SZ using fibroblasts and LCLs indicates the utility of non-neuronal tissues for detection of gene expression differences and/or pathways associated with SZ remains to be demonstrated.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,001
Score d'incertitude au seuil0,003

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,019
Tête enseignante GPT0,208
Écart entre enseignants0,189 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations92
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetGenetic Associations and EpidemiologyTravaux en français237 207