Bayesian Integrative Analysis and Prediction with Application to\n Atherosclerosis Cardiovascular Disease
Notice bibliographique
Résumé
Cardiovascular diseases (CVD), including atherosclerosis CVD (ASCVD), are\nmultifactorial diseases that present a major economic and social burden\nworldwide. Tremendous efforts have been made to understand traditional risk\nfactors for ASCVD, but these risk factors account for only about half of all\ncases of ASCVD. It remains a critical need to identify nontraditional risk\nfactors (e.g., genetic variants, genes) contributing to ASCVD. Further,\nincorporating functional knowledge in prediction models have the potential to\nreveal pathways associated with disease risk. We propose Bayesian hierarchical\nfactor analysis models that associate multiple omics data, predict a clinical\noutcome, allow for prior functional information, and can accommodate clinical\ncovariates. The models, motivated by available data and the need for other risk\nfactors of ASCVD, are used for the integrative analysis of clinical,\ndemographic, and multi-omics data to identify genetic variants, genes, and gene\npathways potentially contributing to 10-year ASCVD risk in healthy adults. Our\nfindings revealed several genetic variants, genes and gene pathways that were\nhighly associated with ASCVD risk. Interestingly, some of these have been\nimplicated in CVD risk. The others could be explored for their potential roles\nin CVD. Our findings underscore the merit in joint association and prediction\nmodels.\n
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 | 0,005 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».