Supervised Machine-Based Learning and Computational Analysis to Reveal Unique Molecular Signatures Associated with Wound Healing and Fibrotic Outcomes to Lens Injury
Notice bibliographique
Résumé
Posterior capsule opacification (PCO), a frequent complication of cataract surgery, arises from dysregulated wound healing and fibrotic transformation of residual lens epithelial cells. While transcriptomic and machine learning (ML) approaches have elucidated fibrosis-related pathways in other tissues, the molecular divergence between regenerative and fibrotic outcomes in the lens remains unclear. Here, we used an ex vivo chick lens injury model to simulate post-surgical conditions, collecting RNA from lenses undergoing either regenerative wound healing or fibrosis between days 1–3 post-injury. Bulk RNA sequencing data were normalized, log-transformed, and subjected to univariate filtering prior to training LASSO, SVM, and RF ML models to identify discriminatory gene signatures. Each model was independently validated using a held-out test set. Distinct gene sets were identified, including fibrosis-associated genes (VGLL3, CEBPD, MXRA7, LMNA, gga-miR-143, RF00072) and wound-healing-associated genes (HS3ST2, ID1), with several achieving perfect classification. Gene Set Enrichment Analysis revealed divergent pathway activation, including extracellular matrix remodeling, DNA replication, and spliceosome associated with fibrosis. RT-PCR in independent explants confirmed key differential expression levels. These findings demonstrate the utility of supervised ML for discovering lens-specific fibrotic and regenerative gene features and nominate biomarkers for targeted intervention to mitigate PCO.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,000 | 0,001 |
| 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 ».