Benchmark dose modeling of transcriptional data: a systematic approach to identify best practices for study designs used in radiation research
Notice bibliographique
Résumé
PURPOSE: Benchmark dose (BMD) modeling is a method commonly used in chemical toxicology to identify the point of departure (POD) from a dose-response curve linked to a health-related outcome. Recently, its application in the analysis of transcriptional data for quantitative adverse outcome pathway (AOP) development is being explored. As AOPs are informed by diverse data types, it is important to understand the impact of study parameters such as dose selection, the number of replicates and dose range on BMD outputs for radiation-induced genes and pathways. MATERIALS AND METHODS: Cs gamma-radiation at 0, 1, 2, 3, 4.5, 6, 8 and 10.5 Gy. The dataset comprised a broad dose range over multiple dose points with consistent dose spacing and multiple biological replicates. This dataset was ideal for systematically transforming across three categories: (1) dose range, (2) dose-spacing and (3) number of controls/replicates. Across these categories, 29 transformed datasets were compared to the original dataset to determine the impact of each transformation on the BMD outputs. RESULTS: Most of the experimental changes did not impact the BMD outputs. The transformed datasets were largely consistent with the original dataset in terms of the number of reproduced genes modeled and absolute BMD values for genes and pathways. Variations in dose selection identified the importance of the absolute value of the lowest and second dose. It was determined that dose selection should include at least two doses <1 Gy and two >5 Gy to achieve meaningful BMD outputs. Changes to the number of biological replicates in the control and non-zero dose groups impacted the overall accuracy and precision of the BMD outputs as well as the ability to fit dose-response models consistent with the original dataset. CONCLUSION: Successful application of transcriptomic BMD modeling for radiation datasets requires considerations of the exposure dose and the number of biological replicates. Most important is the selection of the lowest doses and dose spacing. Reflections on these parameters in experimental design will provide meaningful BMD outputs that could correlate well to apical endpoints of relevance to radiation exposure assessment.
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 | 0,009 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».