Modeling Type 1 Diabetes progression from single-cell transcriptomic measurements in human islets
Notice bibliographique
Résumé
Abstract Type 1 diabetes (T1D) is a chronic condition in which the insulin-producing beta cells are destroyed by immune cells. Research in the past few decades characterized the immune cells involved in disease pathogenesis and has led to the development of immunotherapies that can delay the onset of T1D by two years. Despite this progress, early detection of autoimmunity in individuals who will develop T1D remains a challenge. Here, we evaluated the potential of combining single-cell genomics and machine learning strategies as a prime approach to tackle this challenge. We used gradient-boosting-based machine learning algorithms and modeled changes in transcriptional profiles of single cells from pancreatic tissues in T1D and nondiabetic organ donors collected by the Human Pancreas Analysis Program. We assessed whether mathematical modelling could predict the likelihood of T1D development in nondiabetic autoantibody-positive organ donors. While the majority of autoantibody-positive organ donors were predicted to be nondiabetic by our model, select donors with unique gene signatures were classified with the T1D group. Remarkably, our strategy also revealed a shared gene signature in distinct T1D associated models based on different cell types including alpha cells, beta cells and acinar cells, suggesting a common effect of the disease on transcriptional outputs of these cells. Together, our strategy presents the first report on the utility of machine learning algorithms in early detection of molecular changes in T1D.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».