The role of the Human Metabolome Database in inborn errors of metabolism
Notice bibliographique
Résumé
Metabolomics holds considerable promise to advance our understanding of human disease, including our understanding of inborn errors of metabolism (IEM). The application of metabolomics in IEM research has already led to the discovery of several novel IEMs and the identification of novel IEM biomarkers. However, with hundreds of known IEMs and more than 700 associated IEM metabolites, it is becoming increasingly challenging for clinical researchers to keep track of IEMs, their associated metabolites, and their corresponding metabolic mechanisms. Furthermore, when using metabolomics to assist in IEM biomarker discovery or even in IEM diagnosis, it is becoming much more difficult to properly identify metabolites from the complex NMR and MS spectra collected from IEM patients. To that end, comprehensive, open access metabolite databases that provide up-to-date referential information about metabolites, metabolic pathways, normal/abnormal metabolite concentrations, and reference NMR or MS spectra for compound identification are essential. Over the last few years, a number of compound databases, including the Human Metabolome Database (HMDB), have been developed to address these challenges. First described in 2007, the HMDB is now the world's largest and most comprehensive metabolomic resource for human metabolic studies. The latest release of the HMDB contains 114,100 metabolite entries (with 247 being relevant to IEMs), thousands of metabolite concentrations (with 600 being relevant to IEMs), and ~33,000 metabolic and disease-associated pathways (with 202 being relevant to IEMs). Here we provide a summary of the HMDB and offer some guidance on how it can be used in metabolomic studies of IEMs.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».