Multilayer Integration of Networks Toolbox (MINT)
Notice bibliographique
Résumé
We present MINT (Multilayer Integration of Networks Toolbox), a Python package for multimodal data integration and community detection. MINT includes data standardization, Similarity Network Fusion, Generalized Louvain clustering, visualization, cross-validation, and modality selection optimization, capturing complex relationships among disease markers. We applied MINT to two multimodal datasets spanning the Alzheimer's disease (AD) spectrum: a primary cohort of 206 participants and a validation cohort of 143 participants, including structural magnetic resonance imaging (MRI), amyloid positron emission tomography (PET), cerebrospinal fluid (CSF), cognition, and genetics. We hypothesized that modeling intra- and inter-modality associations would improve AD prediction and identify preclinical cases. Across both datasets, MINT identified PET and CSF as optimal modalities and detected two communities: one AD-dominant and one cognitively normal-dominant (CN). Sensitivity and specificity for CN and AD were 84.38% (95% CI: 73.14-92.24) and 92.65% (95% CI: 83.67-97.57). The AD-dominant community exhibited poorer cognition and higher genetic risk and AD pathology (p < 0.001). CN individuals in this group showed elevated amyloid (p=0.009), tau (p=0.004), and ptau (p < 0.001) compared to AD individuals in the CN-dominant group. MINT can identify biologically relevant subgroups, predict disease progression, and serves as a powerful tool for uncovering complex relationships across heterogeneous and multifactorial disorders.
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) | 0,000 | 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 | 0,002 | 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 ».