Cross-cohort analysis identifies shared gut microbial signatures and validates microbial risk scores for colorectal cancer
Notice bibliographique
Résumé
Microbiome-wide association studies showed links between colorectal cancer (CRC) and gut microbiota. However, the clinical application of gut microbiota in CRC prevention has been hindered by the diversity of study populations and technical variations. We aimed to determine CRC-related gut microbial signatures based on cross-regional, cross-population, and cross-cohort metagenomic datasets, and elucidate its application value in CRC risk assessment. We used the MMUPHin tool to perform a meta-analysis of our own cohort and seven publicly available metagenomics datasets to identify gut microbial species associated with CRC across different cohorts, comprising of 570 CRC cases and 557 controls. Based on differential species sets, we constructed the microbial risk score (MRS) using α-diversity of the sub-community (MRSα), weighted/unweighted summation methods and machine learning algorithms. Cohort-to-cohort training and validation were performed to demonstrate the transferability. We found that MRSα of core species was better validated and more interpretable than those constructed with summation methods or machine learning algorithms. Six species, including Parvimonas micra, Clostridium symbiosum, Peptostreptococcus stomatis, Bacteroides fragilis, Gemella morbillorum, and Fusobacterium nucleatum, were included in MRSα constructed by half or more of the cohorts. The AUC of MRSα, calculated based on the sub-community of six species, varied between 0.619 and 0.824 across the eight cohorts. We identified six CRC-related species across regions, populations, and cohorts. The constructed MRSα could contribute to the risk prediction of CRC in different populations.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».