Toxicogenomics scoring system: TGSS, a novel integrated risk assessment model for chemical carcinogenicity prediction
Notice bibliographique
Résumé
BACKGROUND: Given the increasing exposure of humans to environmental chemicals and the limitations of conventional toxicity test, there is an urgent need to develop next-generation risk assessment methods. OBJECTIVES: This study aims to establish a novel computational system named Toxicogenomics Scoring System (TGSS) to predict the carcinogenicity of chemicals coupling chemical-gene interactions with multiple cancer transcriptomic datasets. METHODS: Chemical-related gene signatures were derived from chemical-gene interaction data from the Comparative Toxicogenomics Database (CTD). For each cancer type in TCGA, genes were ranked by their effects on tumorigenesis, which is based on the differential expression between tumor and normal samples. Next, we developed carcinogenicity scores (C-scores) using pre-ranked GSEA to quantify the correlation between chemical-related gene signatures and ranked gene lists. Then we established TGSS by systematically evaluating the C-scores in multiple chemical-tumor pairs. Furthermore, we examined the performance of our approach by ROC curves or prognostic analyses in TCGA and multiple independent cancer cohorts. RESULTS: ). ROC curves analysis indicated that C-score could distinguish "high-risk chemicals" from the other compounds (AUC = 0.67) with a specificity and sensitivity of 0.86 and 0.57. The results of survival analysis were also in line with the assessed carcinogenicity in TGSS for the chemicals in Group 1. Finally, consistent results were further validated in independent cancer cohorts. CONCLUSION: TGSS highlighted the great potential of integrating chemical-gene interactions with gene-cancer relationships to predict the carcinogenic risk of chemicals, which would be valuable for systems toxicology.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».