Building local capacity for genomics research in Africa: recommendations from analysis of publications in Sub-Saharan Africa from 2004 to 2013
Notice bibliographique
Résumé
BACKGROUND: The poor genomics research capacity of Sub-Saharan Africa (SSA) could prevent maximal benefits from the applications of genomics in the practice of medicine and research. The objective of this study is to examine the author affiliations of genomic epidemiology publications in order to make recommendations for building local genomics research capacity in SSA. DESIGN: SSA genomic epidemiology articles published between 2004 and 2013 were extracted from the Human Genome Epidemiology (HuGE) database. Data on authorship details, country of population studied, and phenotype or disease were extracted. Factors associated with the first author, who has an SSA institution affiliation (AIAFA), were determined using a Chi-square test and multiple logistic regression analysis. RESULTS: The most commonly studied population was South Africa, accounting for 31.1%, followed by Ghana (10.6%) and Kenya (7.5%). About one-tenth of the papers were related to non-communicable diseases (NCDs) such as cancer (6.1%) and cardiovascular diseases (CVDs) (4.3%). Fewer than half of the first authors (46.9%) were affiliated with an African institution. Among the 238 articles with an African first author, over three-quarters (79.8%) belonged to a university or medical school, 16.8% were affiliated with a research institute, and 3.4% had affiliations with other institutions. CONCLUSIONS: Significant disparities currently exist among SSA countries in genomics research capacity. South Africa has the highest genomics research output, which is reflected in the investments made in its genomics and biotechnology sector. These findings underscore the need to focus on developing local capacity, especially among those affiliated with SSA universities where there are more opportunities for teaching and research.
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 | 0,097 | 0,314 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,043 | 0,043 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,011 | 0,015 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».