MétaCan
Menu
Retour à la cohorte
Enregistrement W4293102747 · doi:10.3390/vetsci9080433

Inheritance of Monogenic Hereditary Skin Disease and Related Canine Breeds

2022· review· en· W4293102747 sur OpenAlexaboutno aff
Pablo Jesús Marín‐García, Lola Llobat

Notice bibliographique

RevueVeterinary Sciences · 2022
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueSkin and Cellular Biology Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGenodermatosisGeneticsAlleleConsanguinityBiologyDermatologyEpidermolysis bullosaMedicinePathologyGene

Résumé

récupéré en direct d'OpenAlex

The plasticity of the genome is an evolutionary factor in all animal species, including canines, but it can also be the origin of diseases caused by hereditary genetic mutation. Genetic changes, or mutations, that give rise to a pathology in most cases result from recessive alleles that are normally found with minority allelic frequency. The use of genetic improvement increases the consanguinity within canine breeds and, on many occasions, also increases the frequency of these recessive alleles, increasing the prevalence of these pathologies. This prevalence has been known for a long time, but mutations differ according to the canine breed. These genetic diseases, including skin diseases, or genodermatosis, which is narrowly defined as monogenic hereditary dermatosis. In this review, we focus on genodermatosis sensu estricto, i.e., monogenic, and hereditary dermatosis, in addition to the clinical features, diagnosis, pathogeny, and treatment. Specifically, this review analyzes epidermolytic and non-epidermolytic ichthyosis, junctional epidermolysis bullosa, nasal parakeratosis, mucinosis, dermoid sinus, among others, in canine breeds, such as Golden Retriever, German Pointer, Australian Shepherd, American Bulldog, Great Dane, Jack Russell Terrier, Labrador Retriever, Shar-Pei, and Rhodesian Ridgeback.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,067
Tête enseignante GPT0,342
Écart entre enseignants0,275 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations6
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVeterinary SciencesMême sujetSkin and Cellular Biology ResearchTravaux en français237 207