MétaCan
Menu
Retour à la cohorte
Enregistrement W4292236213 · doi:10.3389/fnmol.2022.932305

Disease similarity network analysis of Autism Spectrum Disorder and comorbid brain disorders

2022· article· en· W4292236213 sur OpenAlexfundno aff
Joana Vilela, Hugo Martiniano, Ana Rita Marques, João Xavier Santos, Célia Rasga, Guiomar Oliveira, Astrid M. Vicente

Notice bibliographique

RevueFrontiers in Molecular Neuroscience · 2022
Typearticle
Langueen
DomaineNeuroscience
ThématiqueAutism Spectrum Disorder Research
Établissements canadiensnon disponible
Organismes subventionnairesFundação para a Ciência e a TecnologiaHospital for Sick ChildrenAutism Speaks
Mots-clésAutism spectrum disorderDiseaseNeurosciencePsychologySimilarity (geometry)PsychiatryAutismMedicineComputer scienceArtificial intelligencePathology

Résumé

récupéré en direct d'OpenAlex

Autism Spectrum Disorder (ASD) is a neurodevelopmental disorder with heterogeneous clinical presentation, variable severity, and multiple comorbidities. A complex underlying genetic architecture matches the clinical heterogeneity, and evidence indicates that several co-occurring brain disorders share a genetic component with ASD. In this study, we established a genetic similarity disease network approach to explore the shared genetics between ASD and frequent comorbid brain diseases (and subtypes), namely Intellectual Disability, Attention-Deficit/Hyperactivity Disorder, and Epilepsy, as well as other rarely co-occurring neuropsychiatric conditions in the Schizophrenia and Bipolar Disease spectrum. Using sets of disease-associated genes curated by the DisGeNET database, disease genetic similarity was estimated from the Jaccard coefficient between disease pairs, and the Leiden detection algorithm was used to identify network disease communities and define shared biological pathways. We identified a heterogeneous brain disease community that is genetically more similar to ASD, and that includes Epilepsy, Bipolar Disorder, Attention-Deficit/Hyperactivity Disorder combined type, and some disorders in the Schizophrenia Spectrum. To identify loss-of-function rare de novo variants within shared genes underlying the disease communities, we analyzed a large ASD whole-genome sequencing dataset, showing that ASD shares genes with multiple brain disorders from other, less genetically similar, communities. Some genes (e.g., SHANK3, ASH1L, SCN2A, CHD2 , and MECP2 ) were previously implicated in ASD and these disorders. This approach enabled further clarification of genetic sharing between ASD and brain disorders, with a finer granularity in disease classification and multi-level evidence from DisGeNET. Understanding genetic sharing across disorders has important implications for disease nosology, pathophysiology, and personalized treatment.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,133
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,007
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,259
Écart entre enseignants0,249 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Molecular NeuroscienceMême sujetAutism Spectrum Disorder ResearchTravaux en français237 207