Modelling the liver’s regenerative capacity across different clinical conditions
Notice bibliographique
Résumé
Background & Aims: Liver regeneration is essential for recovery following injury, but this process can be impaired by factors such as sex, age, metabolic disorders, fibrosis, and immunosuppressive therapies. We aimed to identify key transcriptomic, proteomic, and serum biomarkers of regeneration in mouse models under these diverse conditions using systems biology and machine learning approaches. Methods: Six mouse models, each undergoing 75% hepatectomy, were used to study regeneration across distinct clinical contexts: young males and females, aged mice, stage 2 fibrosis, steatosis, and tacrolimus exposure. A novel contrastive deep learning framework with triplet loss was developed to map regenerative trajectories and identify genes associated with regenerative efficiency. Results: . Proteomic validation and human SPLiT-seq (split-pool ligation-based transcriptome sequencing) data further supported their relevance across species. Conclusions: This study identifies conserved cell cycle regulators underlying efficient liver regeneration and provides a predictive framework for evaluating regenerative capacity. The integration of deep learning and multi-omics profiling provides a promising approach to better understand liver regeneration and may help guide therapeutic strategies, especially in complex clinical settings. Impact and implications: The aim of this study was to identify key transcriptomic, proteomic, and serum biomarkers of regeneration in mouse models under diverse conditions, using systems biology and machine learning approaches. Key molecular drivers of liver regeneration across diverse clinical conditions were identified using innovative deep learning and multi-omics approaches. By identifying conserved cell cycle genes predictive of regenerative outcomes, this study offers a powerful framework to assess and potentially enhance liver recovery in older patients, those with fibrosis or steatosis, and/or those under immunosuppression.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».