Deciphering a TB-related DNA methylation biomarker and constructing a TB diagnostic classifier
Notice bibliographique
Résumé
We systemically identified tuberculosis (TB)-related DNA methylation biomarkers and further constructed classifiers for TB diagnosis. TB-related DNA methylation datasets were searched through October 3, 2020. Limma and DMRcate were employed to identify differentially methylated probes (DMPs) and regions (DMRs). Machine learning methods were used to construct classifiers. The performance of the classifiers was evaluated in discovery datasets and a prospective independent cohort. Eighty-nine DMPs and 24 DMRs were identified based on 67 TB patients and 45 healthy controls from 4 datasets. Nine and three DMRs were selected by elastic net regression and logistic regression, respectively. Among the selected DMRs, two regions (chr3: 195635643–195636243 and chr6: 29691631–29692475) were differentially methylated in the independent cohort (p = 4.19 × 10 −5 and 0.024, respectively). Among the ten classifiers, the 3-DMR logistic regression classifier exhibited the strongest performance. The sensitivity, specificity, and area under the curve were, respectively, 79.1%, 84.4%, and 0.888 in the discovery datasets and 64.5%, 90.3%, and 0.838 in the independent cohort. The differential diagnostic ability of this classifier was also assessed. Collectively, these data showed that DNA methylation might be a promising TB diagnostic biomarker. The 3-DMR logistic regression classifier is a potential clinical tool for TB diagnosis, and further validation is needed.
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 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».