EPID-14. GABRIELLA MILLER KIDS FIRST DATA RESOURCE CENTER: COLLABORATIVE PLATFORMS FOR ACCELERATING RESEARCH IN PEDIATRIC CANCERS & STRUCTURAL BIRTH DEFECTS
Notice bibliographique
Résumé
Abstract Since launching to the public in September 2018, the Gabriella Miller Kids First Data Resource Center (DRC) has made an increasing number of pediatric genomic studies available to the research community. Currently, 1.3 PBs of genomic and clinical data drawn from 12,000 participants are available across a variety of pediatric cancer and structural birth defect studies. The DRC has architected a secure, cloud-based platform with over 1,300 users that supports the ability of researchers to not only find, access, and reuse data, but also integrate, collaborate, and analyze data quickly at scale. Users can use integrations with platforms such as Cavatica for bioinformatics workflows and PedcBioPortal for cancer genomic visualizations. Additionally, a set of framework services, powered by Gen3, provide a foundation for interoperability with other large-scale data sources, platforms, and a growing ecosystem of analysis and visualization applications. These integrations allow users to search across both TARGET and Kids First clinical data in one location while allowing data governance to be maintained by the original approvers. The new “explore data” feature allows users to search across all studies in order to identify virtual cohorts. Within the portal, these cohorts can be saved and shared with collaborators for iterative refinement and analysis. With appropriate approvals, the associated genomic data can be accessed and analyzed seamlessly in Cavatica or other platforms with interoperable framework services. Additionally, gene searching capabilities will be available in 2020. Data is free to download and cloud credits are available for analysis support.
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 | 0,005 | 0,066 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,005 |
| 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 ».