MétaCan
Menu
Retour à la cohorte
Enregistrement W3100725606 · doi:10.1101/2020.10.26.356014

COVID-19 Disease Map, a computational knowledge repository of SARS-CoV-2 virus-host interaction mechanisms

2020· preprint· en· W3100725606 sur OpenAlexaff
Marek Ostaszewski, Anna Niarakis, Alexander Mazein, Inna Kuperstein, Robert D. Phair, Aurelio Orta‐Resendiz, Vidisha Singh, Sara Sadat Aghamiri, Márcio Luís Acencio, Enrico Glaab, Andreas Ruepp, Gisela Fobo, Corinna Montrone, Barbara Brauner, Goar Frishman, Luis Cristóbal Monraz Gómez, Julia Somers, Matti Hoch, Shailendra K. Gupta, Julia Scheel, Hanna Borlinghaus, Tobias Czauderna, Falk Schreiber, Arnau Montagud, Miguel Ponce-de-León, Akira Funahashi, Yusuke Hiki, Noriko Hiroi, Takahiro Yamada, Andreas Dräger, Alina Renz, Muhammad Naveez, Zsolt Böcskei, Francesco Messina, Daniela Börnigen, Liam Fergusson, Marta Zaffira Conti, Marius Rameil, Vanessa Nakonecnij, Jakob Vanhoefer, Leonard Schmiester, Muying Wang, Emily E. Ackerman, Jason E. Shoemaker, Jeremy Zucker, Kristie Oxford, Jeremy Teuton, Ebru Kocakaya, Gökçe Yağmur Summak, Kristina Hanspers, Martina Kutmon, Susan L. Coort, Lars Eijssen, Friederike Ehrhart, Rex Devasahayam Arokia Balaya, Denise Slenter, Marvin Martens, Nhung Pham, Robin Haw, Bijay Jassal, Lisa Matthews, M Orlic-Milacic, Andrea Senff‐Ribeiro, Karen Rothfels, Veronica Shamovsky, Ralf Stephan, Cristoffer Sevilla, Thawfeek Varusai, Jean‐Marie Ravel, Rupsha Fraser, Vera Ortseifen, Silvia Marchesi, Piotr Gawron, Ewa Smula, Laurent Heirendt, Venkata Satagopam, Guanming Wu, Anders Riutta, Martin Golebiewski, Stuart Owen, Carole Goble, Xiaoming Hu, Rupert W. Overall, Dieter Maier, Angela Bauch, Benjamin M. Gyori, John A. Bachman, Carlos Vega, Valentin Grouès, Miguél Vázquez, Pablo Porras, Luana Licata, Marta Iannuccelli, Francesca Sacco, Anastasia Nesterova, Anton Yuryev, Anita de Waard, Dénes Türei, Augustin Luna, Özgün Babur, Sylvain Soliman, Alberto Valdeolivas, Marina Esteban‐Medina, María Peña-Chilet, Kinza Rian, Tomáš Helikar, Bhanwar Lal Puniya, Dezső Módos, Agatha Treveil, Márton Ölbei, Bertrand De Meulder, Aurélien Dugourd, Aurélien Naldi, Vincent Noë, Laurence Calzone, Chris Sander, Emek Demir, Tamás Korcsmáros, Tom C. Freeman, Franck Augé, J. Beckmann, Jan Hasenauer, Olaf Wolkenhauer, Egon L. Wilighagen, Alexander R. Pico, Chris T. Evelo, Marc Gillespie, Lincoln Stein, Henning Hermjakob, Peter D’Eustachio, Julio Sáez-Rodríguez, Joaquı́n Dopazo, Alfonso Valencia, Hiroaki Kitano, Emmanuel Barillot, Charles Auffray, Rudi Balling, Reinhard Schneider

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2020
Typepreprint
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensOntario Institute for Cancer Research
Organismes subventionnairesBiotechnology and Biological Sciences Research CouncilHorizon 2020 Framework ProgrammeFonds National de la Recherche LuxembourgEuropean Commission
Mots-clésInteroperabilityCoronavirus disease 2019 (COVID-19)Computer scienceRelevance (law)Data scienceSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Domain (mathematical analysis)Scale (ratio)Computational biologyDiseaseBiologyWorld Wide WebInfectious disease (medical specialty)GeographyCartographyMedicine

Résumé

récupéré en direct d'OpenAlex

Abstract We describe a large-scale community effort to build an open-access, interoperable, and computable repository of COVID-19 molecular mechanisms - the COVID-19 Disease Map. We discuss the tools, platforms, and guidelines necessary for the distributed development of its contents by a multi-faceted community of biocurators, domain experts, bioinformaticians, and computational biologists. We highlight the role of relevant databases and text mining approaches in enrichment and validation of the curated mechanisms. We describe the contents of the Map and their relevance to the molecular pathophysiology of COVID-19 and the analytical and computational modelling approaches that can be applied for mechanistic data interpretation and predictions. We conclude by demonstrating concrete applications of our work through several use cases and highlight new testable hypotheses.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,706
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0020,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,047
Tête enseignante GPT0,314
Écart entre enseignants0,267 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuebioRxiv (Cold Spring Harbor Laboratory)Même sujetComputational Drug Discovery MethodsTravaux en français237 207