Algorithmic Reconstruction of GBM Network Complexity
Notice bibliographique
Résumé
SUMMARY Glioblastoma (GBM) is a complex disease that is difficult to treat. Establishing the complex genetic interactions regulating cell fate decisions in GBM can help to shed light on disease aggressivity and improved treatments. Networks and data science offer alternative approaches to classical bioinformatics pipelines to study gene expression patterns from single-cell datasets, helping to distinguish genes associated with control of differentiation and thus aggressivity. Here, we applied a host of data theoretic techniques, including clustering algorithms, Waddington landscape reconstruction, trajectory inference algorithms, and network approaches, to compare gene expression patterns between pediatric and adult GBM, and those of adult glioma-derived stem cells (GSCs) to identify the key molecular regulators of the complex networks driving GBM/GSC and predict their cell fate dynamics. Using these tools, we identified critical genes and transcription factors coordinating cell state transitions from stem-like to mature GBM phenotypes, including eight transcription factors (OLIG1/2, TAZ, GATA2, FOXG1, SOX6, SATB2, YY1) and four signaling genes (ATL3, MTSS1, EMP1, and TPT1) as clinically targetable novel putative function interactions differentiating pediatric and adult GBMs from adult GSCs. Our study provides strong evidence of the applicability of complex systems approaches for reverse-engineering gene networks from patient-derived single-cell datasets and inferring their complex dynamics, bolstering the search for new clinically relevant targets in GBM.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».