Microenvironment of ruptured cerebral aneurysms discovered using data driven analysis of gene expression
Notice bibliographique
Résumé
BACKGROUND: It is well known that ruptured intracranial aneurysms are associated with substantial morbidity and mortality, yet our understanding of the genetic mechanisms of rupture remains poor. We hypothesize that applying novel techniques to the genetic analysis of aneurysmal tissue will yield key rupture-associated mechanisms and novel drug candidates for the prevention of rupture. METHODS: We applied weighted gene co-expression networks (WGCNA) and population-specific gene expression analysis (PSEA) to transcriptomic data from 33 ruptured and unruptured aneurysm domes. Mechanisms were annotated using Gene Ontology, and gene network/population-specific expression levels correlated with rupture state. We then used computational drug repurposing to identify plausible drug candidates for the prevention of aneurysm rupture. RESULTS: Network analysis of bulk tissue identified multiple immune mechanisms to be associated with aneurysm rupture. Targeting these processes with computational drug repurposing revealed multiple candidates for preventing rupture including Btk inhibitors and modulators of hypoxia inducible factor. In the macrophage-specific analysis, we identify rupture-associated mechanisms MHCII antigen processing, cholesterol efflux, and keratan sulfate catabolism. These processes map well onto several of highly ranked drug candidates, providing further validation. CONCLUSIONS: Our results are the first to demonstrate population-specific expression levels and intracranial aneurysm rupture, and propose novel drug candidates based on network-based transcriptomics.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».