Notice bibliographique
Résumé
La compréhension des fondements génétiques de trait complexes est un objectif important pour plusieurs chercheurs. Les progrès technologiques dans la production de données à partir de plusieurs niveaux de systèmes biologiques, telles que les séquences d'ADN, les niveaux d'expression d'ARN, les modèles de méthylation ou tout autre marqueur épigénétique, protéomique et métabolomique, ont stimulé la recherche translationnelle en bioinformatique depuis la dernière décennie en produisant une quantité croissante de données (Ritchie et al., (2015)). Dans le domaine de la neuroscience, les données moléculaires et cellulaires sont jumelées avec des données d'imagerie du cerveau mesurant l'information structurelle et fonctionnelle durant les activités mentales et comportementales.Pusqu'il est maintenant pratique courante en recherche biomédicale de faire plusieurs analyses sur un même échantillon de patients, les méthodes pour l'analyse intégrative de deux ou plusieurs jeux de données multidimensionnels deviendront de plus en plus importantes (Witten et al., (2009)). Dans ce mémoire, notre travail est motivé par une unité de recherche sur la progression de la maladie d'Alzheimer, Alzheimer's Disease Neuroimaging Initiative (ADNI), qui regroupe des données sur l'imagerie du cerveau, sur la génétique et sur les phénotypes. Une stratégie d'intégration des données devra être implémentée pour analyser ces données conjointement. Le cadre que nous proposons permet d'identifier les sous-groupes de charactéristiques dans l'ADNI qui agissent potentiellement à travers les mêmes voies biologiques menant au phénotype d'intérêt. Autrement dit, notre objectif est de prédire conjointement des phénotypes qui présentent le plus d'information partagée parmi les jeux de données. Les méthodes que nous proposons sont basées sur une stratégie de réduction des données telle que les composantes de différents jeux de données sont corrélées entre elles. Dans le but d'atteindre notre objectif, nous proposons d'évaluer neuf cadres statistiques par des études de simulations comprenant plusieurs scénarios. Puis, le meilleur cadre statistique (choisi) est évalué plus en détails à l'aide d'une seconde étude de simulation. Nous démontrons aussi la performance du cadre statistique choisi sur les données de l'ADNI. Nous comparons également nos résultats à une technique appelée Regularized Generalized Canonical Correlation Analysis (Tenenhaus et al., (2011), Tenenhaus et al., (2014)).
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».