Translational Metabolomics: Current Challenges and Future Opportunities
Notice bibliographique
Résumé
Metabolomics is one of the latest omics technologies that has been applied successfully in many areas of life sciences. Despite being relatively new, a plethora of publications over the years have exploited the opportunities provided through this data and question driven approach. Most importantly, metabolomics studies have produced great breakthroughs in biomarker discovery, identification of novel metabolites and more detailed characterisation of biological pathways in many organisms. However, translation of the research outcomes into clinical tests and user-friendly interfaces has been hindered due to many factors, some of which have been outlined hereafter. This position paper is the summary of discussion on translational metabolomics undertaken during a peer session of the Australian and New Zealand Metabolomics Conference (ANZMET 2018) held in Auckland, New Zealand. Here, we discuss some of the key areas in translational metabolomics including existing challenges and suggested solutions, as well as how to expand the clinical and industrial application of metabolomics. In addition, we share our perspective on how full translational capability of metabolomics research can be explored.
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 | 0,050 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,010 |
| Communication savante | 0,012 | 0,025 |
| Science ouverte | 0,004 | 0,010 |
| Intégrité de la recherche | 0,013 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,004 |
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 ».