Systematic review and meta-analysis of interstitial lung disease transcriptomics
Notice bibliographique
Résumé
Background: Interstitial lung diseases (ILDs), which encompass >200 diseases involving excess deposition of extracellular matrix (ECM) in the lung, have been extensively characterized by whole genome expression sequencing (transcriptomics). However, a consensus of molecular aberrations in ILD has yet to be determined. We aimed to identify a molecular signature of ILD subtypes through integration of data obtained from transcriptomic-profiled lung samples. Methods: A literature search was conducted in two databases (MEDLINE and EMBASE) to identify 5,337 publications, which were then screened to keep 18 studies involving ILD transcriptomics. Microarray and RNA-seq data from these studies were obtained from the Gene Expression Omnibus and integrated via the Multivariate INTegration (MINT) framework. Results: We identified 17 studies examining lung samples from subjects with the ILD subtype idiopathic pulmonary fibrosis (IPF). Gene expression data was integrated via MINT and used to develop an IPF classification model (Figure 1; 14 datasets) consisting of 30 genes (e.g. MMP7, COL3A1, CXCL14), which was validated on 4 test datasets with an AUC of 0.96. Similar models were developed for hypersensitivity pneumonitis (HP; 3 datasets; 99 genes) and systemic sclerosis-associated ILD (SSc-ILD; 2 datasets; 11 genes). Conclusion: We derived molecular signatures of 3 ILD subtypes, which may be used to improve diagnostic and therapeutic approaches.
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 | 0,015 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,013 | 0,026 |
| Bibliométrie | 0,013 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».