A004 A markov chain-based bayesian population model for somatic instability in human white blood cells
Notice bibliographique
Résumé
<h3></h3> Using a database of HTT CAG-length distributions determined by amplicon sequencing in White Blood Cells (WBCs) collected from 1447 participant-visits from the Registry and Enroll-HD Studies, we build a Bayesian population model based on the assumption that CAG length distributions evolve over time according to a continuous time Markov chain in which changes in CAG length occur in single CAG length jumps. These Markov chains have jump rates that increase with CAG length, resulting in both expansions and contractions with a bias toward expansion. The effects of PCR-induced slippage were corrected using single molecule data, a novel multinomial logit model and a novel algorithm based on convex programming. Models were fit to the PCR slippage-corrected data using a fast BFGS algorithm in R. This algorithm minimizes both least squares and Kullback-Liebler loss functions and uses analytic gradients of the matrix exponential function. Participant-level models are shown to fit very well and predict CAG length distributions at the second visit 2 from distributions at visit 1. Model parameters for jump rate and expansion bias are correlated with inherited CAG length, CAP score, age-at-baseline, and time- between-visits. Finally, a Bayesian population-based model (implemented in the Stan Statistical Software Package) was used to model the precision of the participant-level model fits using a novel application of the Dirichlet distribution. Implications for studies of somatic instability in other cell types are discussed as are the uses of the statistical methodology described here in biomarker development.
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 | 0,001 | 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 ».