Détection et caractérisation des interactions dans les maladies complexes
Notice bibliographique
Résumé
La détection et la caractérisation des interactions épistatiques représentent un défi• important dans la compréhension des maladies complexes.En raison de la limitation des outils statistiques traditionnels à traiter des ensembles de données de haute dimension, de.nouvelles stratégies, telles que l'analyseur d'interaction spécifique (FITF) et le réducteur de dimensionnalité multifactorielle (MDR), ont été développées pour aborder cette question.Le MDR s'est avéré un outil puissant pour identifier des interactions dans certaines maladies complexes telles que le diabète de type 2 et le cancer du sein.Ici, nous proposons l'analyse de ces deux outils ainsi que le développement d'une nouvelle stratégie de détection basée sur la sélection de variables avec l'algorithme ReliefF précédant l'utilisation du test de rapport des vraisemblances (LRT) sur des régressions logistiques pénalisées.Une étude de• simulation a démontré la complémentarité des trois outils étudiés en regard avec leur capacité de détection: L'analyse d'un ensemble de données provenant d'une étude cas-contrôles sur la leucémie de l'enfant n'a révélé aucune interaction significative.Toutefois, les trois outils convergent vers une interaction entre les gènes MTHFR et TGFfJl avec des valeurs se rapprochant du seuil de significativité.Ces résultats appuient l'hypothèse que les interactions épistatiques jouent un rôle dans la susceptibilité à la leucémie de l'enfant et illustrent le besoin de développer de nouvelles stratégies d'identification des interactions.Une approche combinant plusieurs outils permettra de mieux identifier et comprendre les interactions de haut niveau ainsi que leur impact sur les maladies complexes.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».