Important insights from discrete details : Gaining insight in pathophysiology of inborn errors of metabolism through deep metabolic phenotyping
Notice bibliographique
Résumé
For many rare genetic diseases, including metabolic diseases, we do not understand how a clerical error in a gene can lead to symptoms in a patient. Despite the limited number of patients per disease, the recent development of new technologies by which big data can be collected, offers promising opportunities to better understand these diseases. These opportunities come along with new challenges: how to gain valuable lessons from this amount of data? We demonstrate four new ways for delineating the patients’ symptoms and systematically comparing these to patients with the same disease but another genetic clerical error, or to patients with another genetic disease. In addition, we describe the development of a new method by which we can analyze over 1800 metabolites in only a few drops of blood or cerebrospinal fluid. Using this method, we can rapidly and reliably determine the effects of the genetic clerical error on the different metabolites in blood and cerebrospinal fluid. This creates not only better understanding of how a genetic clerical error can lead to symptoms, but the analysis can also improve the diagnostic process of metabolic diseases. Finally, we describe how these strategies were used for two rare metabolic diseases, that were added to the heel prick per October 1st 2019 in the Netherlands: propionic acidemia and methylmalonic acidemia. The majority of the new insights that were gained, can directly be used in the clinical management of children that are now diagnosed with these diseases via the heel prick at a young age.
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 | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».