The 37TrillionCells initiative for improving global healthcare via cell-based interception and precision medicine: focus on neurodegenerative diseases
Notice bibliographique
Résumé
One of the main burdens in the treatment of diseases is imputable to the delay between the appearance of molecular dysfunctions in the first affected disease cells and their presence in sufficient number for detection in specific tissues or organs. This delay obviously plays in favor of disease progression to an extent that makes efficient treatments difficult, as they arrive too late. The development of a novel medical strategy, termed cell-based interception and precision medicine, seeks to identify dysfunctional cells early, when tissue damages are not apparent and symptoms not yet present, and develop therapies to treat diseases early. Central to this strategy is the use of single-cell technologies that allow detection of molecular changes in cells at the time of phenotypical bifurcation from health to disease. In this article we describe a general procedure to support such an approach applied to neurodegenerative disorders. This procedure combines four components directed towards highly complementary objectives: 1) a high-performance single-cell proteomics (SCP) method (Detect), 2) the development of disease experimental cell models and predictive computational models of cell trajectories (Understand), 3) the discovery of specific targets and personalized therapies (Cure), and 4) the creation of a community of collaborating laboratories to accelerate the development of this novel medical paradigm (Collaborate). A global initiative named 37TrillionCells (37TC) was launched to advance the development of cell-based interception and precision medicine.
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 | 0,000 | 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 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 ».