INPUT OF DEEP PHENOTYPING IN THE METABOLIC SYNDROME STRATIFICATION
Notice bibliographique
Résumé
IntroductionMetabolic syndrome (MetS), defined as a cluster of cardiometabolic factors, is a public health challenge because of its growing prevalence. In the context of personalized medicine, new tools are necessary to bring additional knowledge about MetS etiology, better stratify populations and customise strategies for prevention. The objective of this study was to characterize the MetS phenotypic spectrum using complementary untargeted metabolomics platforms (HRMS, RMN).Technological and methodological innovationA case-control study was designed within the Quebec NuAge cohort1. Six complementary untargetedmetabolomic/lipidomic approaches were performed on serum samples collected at recruitment and 3 years later. Procedures were set up to guaranty the inter-laboratory standardisation from sample preparation to data processing, performed using reproducible online Galaxy workflows. A full feature selection strategy was developed to build a comprehensive molecular MetS signature, stable over time.Results and impactA wide range of metabolites (lipids, carbohydrates, amino-acids, peptides…) reflecting subject stability and providing new insights about underlying mechanisms, were found to be modulated. An optimized reduced signature was proposed, allowing good prediction performances (12% misclassification, AUC=0.95, CI:[0.92-0.98]). These results demonstrated the interest of a multidimensional molecular phenotyping as part of the next generation of medicine tools in the frame of noncommunicable diseases.References[1] Gaudreau P et al., 2007. Rejuvenation Res.10(3):377-386.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».