Efficient molecular mendelian randomization screens with LaScaMolMR.jl
Notice bibliographique
Résumé
Abstract Summary The ever-growing genetic cohorts lead to an increase in scale of molecular Quantitative Trait Loci (QTL) studies, creating opportunities for more extensive two samples Mendelian randomization (MR) investigations aiming to identify causal relationships between molecular traits and diseases. This increase led to the identification of multiple causal candidates and potential drug targets over time. However, the increase in scale of such studies and higher dimension multi-omic data come with computational challenges. We present “LArge SCAle MOLecular Mendelian Randomization with Julia” (LaScaMolMR.jl), an open-sourced integrated Julia package optimized for Omic-wide Mendelian Randomization (OWMR) Studies. This versatile package eliminates the two-language problem and implements fast algorithms for instrumental variable selection approaches with both cis and trans instruments and performs the most popular regression estimators for MR studies with molecular exposures. It reduces the compute time via meta-programming allowing easy deployment of multi-threaded approach and the internalization of linkage disequilibrium investigation of potential instrumental variables. Via its integrated approach and high-computational performance, LaScaMolMR.jl allows users who have minimal programming experience to perform large scale OWMR studies. Implementation and availability LaScaMolMR is freely available at github.com/SamuelMathieu-code/LaScaMolMR.jl .
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 | 0,005 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,010 |
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 ».