Connectome-based biophysical models of pathological protein spreading in neurodegenerative diseases
Notice bibliographique
Résumé
Neurodegenerative diseases are a group of disorders characterized by progressive degeneration or death of neurons. The complexity of clinical symptoms and irreversibility of disease progression significantly affects individual lives, leading to premature mortality. The prevalence of neurodegenerative diseases keeps increasing, yet the specific pathogenic mechanisms remain incompletely understood and effective treatment strategies are lacking. In recent years, convergent experimental evidence supports the "prion-like transmission" assumption that abnormal proteins induce misfolding of normal proteins, and these misfolded proteins propagate throughout the neural networks to cause neuronal death. To elucidate this dynamic process in vivo from a computational perspective, researchers have proposed three connectome-based biophysical models to simulate the spread of pathological proteins: the Network Diffusion Model, the Epidemic Spreading Model, and the agent-based Susceptible-Infectious-Removed model. These models have demonstrated promising predictive capabilities. This review focuses on the explanations of their fundamental principles and applications. Then, we compare the strengths and weaknesses of the models. Building upon this foundation, we introduce new directions for model optimization and propose a unified framework for the evaluation of connectome-based biophysical models. We expect that this review could lower the entry barrier for researchers in this field, accelerate model optimization, and thereby advance the clinical translation of connectome-based biophysical models.
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) | 0,002 | 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 ».