REPRESENTATION LEARNING OF PROTEOME DYNAMICS TO CHARACTERIZE ORGANISMIC COMMUNICATION AND INTRINSIC HEALTH
Notice bibliographique
Résumé
Abstract Co-regulation and interactions among organ systems are crucial to maintain health. Therefore, understanding patterns of such organismic communication using proteome dynamics could be an innovative and effective strategy for quantifying intrinsic human health. In this preliminary study, we conducted a case-control study involving six participants with severe genetic mitochondrial disease and six age- and sex-matched healthy subjects. We measured and recorded the salivary proteome of each participant (n=2922 proteins) at 0-, 30-, and 45-minutes post-awakening as well as bedtime (pm), over two days, representing a natural physiological challenge known to involve systems-wide physiological recalibrations. We then analyzed the changes in protein levels across successive time points using a high-dimensional two-sample testing approach (Cai, Liu, and Xia 2013). The protein co-regulation pattern (captured by the covariance matrix of their changes in expression) was significantly different between the healthy and mitochondrial disease participants (p=0.01), thereby linking proteome dynamics with health status. We then implemented Weighted Correlation Network Analysis to identify representative features showing a significant correlation with the subject’s health status between pairs of successive time points (0-30, 30-45, 45-pm). The correlation between the extracted feature and the self-rated health was as high as 0.39 (p-value=0.03) for the 30-45 time period. This finding reveals an association between health status and salivary protein co-regulation patterns, and suggests a promising representation learning strategy to quantify the manifestation of health into accessible proteome dynamics.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 ».