RAMEN: Dissecting individual, additive and interactive gene-environment contributions to DNA methylome variability in cord blood
Notice bibliographique
Résumé
Abstract DNA methylation (DNAme) is the most commonly studied epigenetic mark in human populations. DNAme has gained attention in the Developmental Origins of Health and Disease field due to its gene expression regulation and potential long-term stability. Genetic variation and environmental exposures are amongst the main factors influencing inter-individual DNAme variability. However, the proportion and genomic distribution of their individual, additive and interactive effects on the DNA methylome remains unclear. Here, we introduce RAMEN, a Findable, Accessible, Interoperable, and Reusable (FAIR) framework tailored for DNAme microarrays. Using machine learning and statistical techniques, RAMEN models and dissects gene-environment contributions to genome-wide Variably Methylated Regions (VMRs), while controlling for spurious associations. To comprehensively test the power of RAMEN, we analyzed and characterized VMRs from cord blood samples from two independent cohorts (CHILD and PREDO; overall n=1,662). We identified genetics as a consistent key contributor to DNAme variability, usually in additive and interactive combinations with the environment, with genetic terms explaining the largest proportion of DNAme variance, compared to environmental and interaction terms. Operationalizing RAMEN as an R package to conduct scalable genome-exposome contribution analyses, our results highlighted the importance of genetic variation in sculpting DNAme patterns in early life.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».