Outcome of <scp>IWGT</scp> workshop on transcriptomic biomarkers for genotoxicity: Key considerations for bioinformatics
Notice bibliographique
Résumé
As a part of the International Workshop on Genotoxicity Testing (IWGT) in 2022, a workgroup was formed to evaluate the level of validation and regulatory acceptance of transcriptomic biomarkers that identify genotoxic substances. Several such biomarkers have been developed using various molecular techniques and computational approaches. Within the IWGT workgroup on transcriptomic biomarkers, bioinformatics was a central topic of discussion, focusing on the current approaches used to process the underlying molecular data to distill a reliable predictive signal; that is, a gene set that is indicative of genotoxicity and can then be used in later studies to predict potential DNA damaging properties for uncharacterized chemicals. While early studies used microarray data, a technological shift occurred in the past decade to incorporate modern transcriptome measuring techniques such as high-throughput transcriptomics, which in turn is based on high-throughput sequencing. Herein, we present the workgroup's review of the current bioinformatic approaches to identify genes comprising transcriptomic biomarkers. Within the context of regulatory toxicology, the reproducibility of a given analysis is critical. Therefore, the workgroup provides consensus recommendations on how to facilitate sufficient reporting of experimental parameters for the analytical procedures used in a transcriptomic biomarker study, including the recommendation to develop a biomarker-specific reporting module within the OECD Omics Reporting Framework.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».