MétaCan
Menu
Retour à la cohorte
Enregistrement W3131971476 · doi:10.37044/osf.io/b4zkp

Global analysis of human SARS-CoV-2 infection and host-virus interaction

2020· preprint· en· W3131971476 sur OpenAlexaff
Mariana Galvão Ferrarini, Vanessa Aguiar‐Pulido, Eric T. Dawson, Andrea Guarracino, Andreas Gruber, Lukas Heumos, Alexander Kanitz, Avantika Lal, Brett E Pickett, Rita Rebollo, Carlos Ruiz-Arenas, Olaitan I. Awe, Suhana Bedi, Ben Busby, Marielena Georgaki, Chela James, Itziar Martínez-González, Birgit Meldal, Scheila Gabriele Mucha, Noushin Nabavi, Jakke Neiro, Núria Queralt-Rosiñach, Philippe Rocca‐Serra, Daniel Siqueira de Oliveira, Maria Tsagiopoulou

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineEngineering
ThématiqueBiomedical and Engineering Education
Établissements canadiensMinistry of Health
Organismes subventionnairesChina Scholarship Council
Mots-clésWorkflowContext (archaeology)Host (biology)Computational biologyTranscriptomeCoronavirus disease 2019 (COVID-19)Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Human interactionComputer scienceGeneBiologyVirologyGene expressionMedicineGeneticsHuman–computer interactionDatabase

Résumé

récupéré en direct d'OpenAlex

As part of the virtual BioHackathon 2020, we formed a working group that focused on the analysis of gene expression in the context of COVID-19. More specifically, we performed transcriptome analyses on published datasets in order to better understand the interaction between the human host and the SARS-CoV-2 virus.The ideas proposed during this hackathon were divided into five projects. Projects 1 and 2 aimed to identify human genes that are important in the process of viral infection of human cells. Projects 3 and 4 aimed to take the candidate genes identified in projects 1 and 2, as well as by independent studies, and relate them to clinical information and to possible therapeutic interventions. Finally, Project 5 aimed to package and containerize software and workflows used and generated here in a reusable manner, ultimately providing scalable and reproducible workflows.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,639
Score d'incertitude au seuil0,598

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,029
Tête enseignante GPT0,305
Écart entre enseignants0,276 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetBiomedical and Engineering EducationTravaux en français237 207