The development of an ingestible biosensor for the characterization of gut metabolites related to major depressive disorder: hypothesis and theory
Notice bibliographique
Résumé
The diagnostic process for psychiatric conditions is guided by the Diagnostic and Statistical Manual of Mental Disorders (DSM) in North America. Revisions of the DSM over the years have led to lowered diagnostic thresholds across the board, incurring increased rates of both misdiagnosis and over-diagnosis. Coupled with stigma, this ambiguity and lack of consistency exacerbates the challenges that clinicians and scientists face in the clinical assessment and research of mood disorders such as Major Depressive Disorder (MDD). While current efforts to characterize MDD have largely focused on qualitative approaches, the broad variations in physiological traits, such as those found in the gut, suggest the immense potential of using biomarkers to provide a quantitative and objective assessment. Here, we propose the development of a probiotic Escherichia coli (E. coli) multi-input ingestible biosensor for the characterization of key gut metabolites implicated in MDD. DNA writing with CRISPR based editors allows for the molecular recording of signals while riboflavin detection acts as a means to establish temporal and spatial specificity for the large intestine. We test the feasibility of this approach through kinetic modeling of the system which demonstrates targeted sensing and robust recording of metabolites within the large intestine in a time- and dose- dependent manner. Additionally, a post-hoc normalization model successfully controlled for confounding factors such as individual variation in riboflavin concentrations, producing a linear relationship between actual and predicted metabolite concentrations. We also highlight indole, butyrate, tetrahydrofolate, hydrogen peroxide, and tetrathionate as key gut metabolites that have the potential to direct our proposed biosensor specifically for MDD. Ultimately, our proposed biosensor has the potential to allow for a greater understanding of disease pathophysiology, assessment, and treatment response for many mood disorders.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».