Pareto task inference analysis reveals cellular trade-offs in diffuse large B-Cell lymphoma transcriptomic data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
One of the main challenges in cancer treatment is the selection of treatment resistant clones which leads to the emergence of resistance to previously efficacious therapies. Identifying vulnerabilities in the form of cellular trade-offs constraining the phenotypic possibility space could allow to avoid the emergence of resistance by simultaneously targeting cellular processes that are involved in different alternative phenotypic strategies linked by trade-offs. The Pareto optimality theory has been proposed as a framework allowing to identify such trade-offs in biological data from its prediction that it would lead to the presence of specific geometrical patterns (polytopes) in, e.g., gene expression space, with vertices representing specialized phenotypes. We tested this approach in diffuse large B-cell lymphoma (DLCBL) transcriptomic data. As predicted, there was highly statistically significant evidence for the data forming a tetrahedron in gene expression space, defining four specialized phenotypes (archetypes). These archetypes were significantly enriched in certain biological functions, and contained genes that formed a pattern of shared and unique elements among archetypes, as expected if trade-offs between essential functions underlie the observed structure. The results can be interpreted as reflecting trade-offs between aerobic energy production and protein synthesis, and between immunotolerant and immune escape strategies. Targeting genes on both sides of these trade-offs simultaneously represent potential promising avenues for therapeutic applications.
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.
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 | 0,001 | 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 découle