Integrating network analysis and machine learning to elucidate chemical-induced pancreatic toxicity in zebrafish embryos
Notice bibliographique
Résumé
Zebrafish (Danio rerio) are a popular vertebrate model for high-throughput toxicity testing, serving as a model for embryonic development and disease etiology. However, standardized protocols using zebrafish tend to explore pathologies and behaviors at the organism level rather than at the organ-specific level. This study investigates the effects of chemical exposures on pancreatic function in whole-embryo zebrafish by integrating network analysis and machine learning, leveraging widely available datasets to probe an organ-specific effect. We compiled transcriptomics data for zebrafish exposed to 53 exposures from 25 unique chemicals, including halogenated organic compounds, pesticides/herbicides, endocrine-disrupting chemicals, pharmaceuticals, parabens, and solvents. All raw sequencing data were processed through a uniform bioinformatics pipeline for re-analysis and quality control, identifying differentially expressed genes and altered pathways related to pancreatic function and development. Clustering analysis revealed 5 distinct clusters of chemical exposures with similar impacts on pancreatic pathways, with gene co-expression network analysis identifying key driver genes within these clusters, providing insights into potential biomarkers of chemical-induced pancreatic toxicity. Machine learning was utilized to identify chemical properties that influence pancreatic pathway response, including average mass and biodegradation half-life. The random forest model achieved robust performance (4-fold cross-validation accuracy: 74%) over eXtreme Gradient Boosting, support vector machine, and multiclass logistic regression. This integrative approach enhances our understanding of the relationships between chemical properties and biological responses in a target organ, supporting the use of zebrafish whole embryos as a high-throughput vertebrate model. This computational workflow can be leveraged to investigate the complex effects of other exposures on organ-specific development.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| 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 ».