Microbiotyping the Sinonasal Microbiome
Notice bibliographique
Résumé
This study offers a novel description of the sinonasal microbiome, through an unsupervised machine learning approach combining dimensionality reduction and clustering. We apply our method to the International Sinonasal Microbiome Study (ISMS) dataset of 410 sinus swab samples. We propose three main sinonasal “microbiotypes” or “states”: the first is Corynebacterium-dominated, the second is Staphylococcus-dominated, and the third dominated by the other core genera of the sinonasal microbiome (Streptococcus, Haemophilus, Moraxella, and Pseudomonas). The prevalence of the three microbiotypes studied did not differ between healthy and diseased sinuses, but differences in their distribution were evident based on geography. We also describe a potential reciprocal relationship between Corynebacterium species and Staphylococcus aureus, suggesting that a certain microbial equilibrium between various players is reached in the sinuses. We validate our approach by applying it to a separate 16S rRNA gene sequence dataset of 97 sinus swabs from a different patient cohort. Sinonasal microbiotyping may prove useful in reducing the complexity of describing sinonasal microbiota. It may drive future studies aimed at modeling microbial interactions in the sinuses and in doing so may facilitate the development of a tailored patient-specific approach to the treatment of sinus disease in the future.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».