Microarray Gene Expression for Predicting Histo-Clinical Variables in Kidney Transplant Biopsies.
Notice bibliographique
Résumé
Linear discriminant analysis (LDA) was used to test the ability of microarray gene expression to predict histo-clinical variables in for-cause kidney transplant biopsies. Predictions in 703 biopsies were evaluated using the area under the curve (AUC) in test sets, using repeated 10-fold cross-validation. The standard classifier (SC) used the top 20 genes in each training set. The time-adjusted classifier (TAC) used the top 19 genes after controlling for time post-transplant, and time as the 20th predictor. Time alone (not using LDA) was used as a control since it is freely available at the time of biopsy, and clearly related to at least some lesions. Results are summarized in Table 1. Column 1 shows the split-point for predictions, e.g. g>0 vs g=0. AUCs (based on the same split-points) for the 3 models are shown next, followed by the number of genes significant at fdr=0.05, and the top 3 genes in the TAC model. Thousands of genes were significant for all variables except cv. In general, TAC produced the highest AUCs, and these were significantly higher (p < 0.001) than time alone for all variables except cv and ah. These were also the variables with the fewest and most weakly associated genes. TAC was significantly better than SC for g, cg, ci, ct, mm, ah, and DSA. Predictions from simple gene set scores (not using LDA) were inferior to TAC for all variables except i and t (results not shown). When searching for gene associations, time post-transplant should be taken into account to avoid spurious correlations with time itself. For most variables, this leads to better predictors and more biologically informative gene sets.Table: No Caption available.DISCLOSURES:Halloran, P.: Other, Astellas, lecturing, Novartis, lecturing, One Lambda, lecturing.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».