bayesReact: Expression-coupled regulatory motif analysis detects microRNA activity in cancer and at the single cell level
Notice bibliographique
Résumé
Motivation: Regulatory constraints are crucial in maintaining tissue and cell integrity, and play important roles during developmental processes and environmental responses. Yet many regulatory mechanisms remain unobserved at the single-cell level and statistical inference may, in some cases, help elucidate their condition-specific activity and perturbation during disease progression. Results: We introduce bayesReact (BAYESian modeling of Regular Expression ACTivity), a generative model of motif occurrence across experimentally ranked sequences to infer motif-based regulatory activities. The method is evaluated for microRNAs (miRNAs), which perform post-transcriptional regulation through target mRNA destabilization and translational repression. Inferred miRNA activities positively correlate with the observed miRNA expressions in primary tumors from The Cancer Genome Atlas (TCGA) and mouse stem cells. The top miRNA activity profiles are as informative for TCGA cancer-type cluster identification as the top miRNA or mRNA expression profiles. The activity captures tissue-specific miRNA patterns observed in the matched expression, e.g., the expression of miR-122-5p in the liver and miR-124-3p in low-grade gliomas (LGG). We observe a negative association between the activity of the two miRNAs and their target gene expressions, including between the miR-124-3p activity and the anti-neuronal REST expression in LGG. bayesReact outperforms the existing method, miReact, on sparse count data, and shows a higher correlation with the miRNA expression in single-cell data. The method recovers temporal activities of prominent miRNAs during murine stem cell differentiation, including miR-298-5p, miR-92-2-5p, and the large Sfmbt2 cluster (miR-297-669). The bayesReact model is probabilistic and quantifies the uncertainty of all provided estimates. It is unsupervised and permits screens of bulk or single-cell data to identify condition-specific regulatory motif candidates. It further improves miRNA activity inference in single-cell data. Availability and implementation: bayesReact is implemented as an R-package, uses a Hamiltonian Monte-Carlo sampler for posterior approximation, and is available at https://github.com/astamr/bayesReact.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».