RNA Editing Signatures Powered by Artificial Intelligence: A New Frontier in Differentiating Schizophrenia, Bipolar, and Schizoaffective Disorders
Notice bibliographique
Résumé
Mental health disorders are devastating illnesses, often misdiagnosed due to overlapping clinical symptoms. Among these conditions, bipolar disorder, schizophrenia, and schizoaffective disorder are particularly difficult to distinguish, as they share alternating positive and negative mood symptoms. Accurate and timely diagnosis of these diseases is crucial to ensure effective treatment and to tailor therapeutic management to each individual patient. In this context, it is essential to move beyond standard clinical assessment and employ innovative approaches to identify new biomarkers that can be reliably quantified. We previously identified a panel of RNA editing biomarkers capable of differentiating healthy controls from depressed patients and, among depressed patients, those with major depressive disorder and those with bipolar disorder. In this study, we integrated Adenosine-to-Inosine RNA editing blood biomarkers with clinical data through machine learning algorithms to establish specific signatures for bipolar disorder and schizophrenia spectrum disorders. This groundbreaking study paves the way for the application of RNA editing in other psychiatric disorders, such as schizophrenia and schizoaffective disorder. It represents a first proof-of-concept and provides compelling evidence for the establishment of an RNA editing signature for the diagnosis of these psychiatric conditions.
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 ».