TrpNet: Understanding Tryptophan Metabolism across Gut Microbiome
Notice bibliographique
Résumé
Crosstalk between the gut microbiome and the host plays an important role in animal development and health. Small compounds are key mediators in this host-gut microbiome dialogue. For instance, tryptophan metabolites, generated by biotransformation of tryptophan through complex host-microbiome co-metabolism can trigger immune, metabolic, and neuronal effects at local and distant sites. However, the origin of tryptophan metabolites and the underlying tryptophan metabolic pathway(s) are not well characterized in the current literature. A large number of the microbial contributors of tryptophan metabolism remain unknown, and there is a growing interest in predicting tryptophan metabolites for a given microbiome. Here, we introduce TrpNet, a comprehensive database and analytics platform dedicated to tryptophan metabolism within the context of host (human and mouse) and gut microbiome interactions. TrpNet contains data on tryptophan metabolism involving 130 reactions, 108 metabolites and 91 enzymes across 1246 human gut bacterial species and 88 mouse gut bacterial species. Users can browse, search, and highlight the tryptophan metabolic pathway, as well as predict tryptophan metabolites on the basis of a given taxonomy profile using a Bayesian logistic regression model. We validated our approach using two gut microbiome metabolomics studies and demonstrated that TrpNet was able to better predict alterations in in indole derivatives compared to other established methods.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».