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 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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,009 |
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 ».