Construction of an Exudative Age-Related Macular Degeneration Diagnostic and Therapeutic Molecular Network Using Multi-Layer Network Analysis, a Fuzzy Logic Model, and Deep Learning Techniques: Are Retinal and Brain Neurodegenerative Disorders Related?
Notice bibliographique
Résumé
Neovascular age-related macular degeneration (nAMD) is a leading cause of irreversible visual impairment in the elderly. The current management of nAMD is limited and involves regular intravitreal administration of anti-vascular endothelial growth factor (anti-VEGF). However, the effectiveness of these treatments is limited by overlapping and compensatory pathways leading to unresponsiveness to anti-VEGF treatments in a significant portion of nAMD patients. Therefore, a system view of pathways involved in pathophysiology of nAMD will have significant clinical value. The aim of this study was to identify proteins, miRNAs, long non-coding RNAs (lncRNAs), various metabolites, and single-nucleotide polymorphisms (SNPs) with a significant role in the pathogenesis of nAMD. To accomplish this goal, we conducted a multi-layer network analysis, which identified 30 key genes, six miRNAs, and four lncRNAs. We also found three key metabolites that are common with AMD, Alzheimer's disease (AD) and schizophrenia. Moreover, we identified nine key SNPs and their related genes that are common among AMD, AD, schizophrenia, multiple sclerosis (MS), and Parkinson's disease (PD). Thus, our findings suggest that there exists a connection between nAMD and the aforementioned neurodegenerative disorders. In addition, our study also demonstrates the effectiveness of using artificial intelligence, specifically the LSTM network, a fuzzy logic model, and genetic algorithms, to identify important metabolites in complex metabolic pathways to open new avenues for the design and/or repurposing of drugs for nAMD 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 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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».