Patients with schizophrenia and bipolar disorder are characterized by different blood RNA editing signatures
Notice bibliographique
Résumé
Introduction Mental disorders, such as Bipolar Disorder (BD), Schizophrenia (SZ), and Schizoaffective Disorder (SA), are prevalent and often debilitating conditions that significantly impact individuals’ lives (Scangos et al. Nat Med 2023; 29(2): 317-33). Recent findings have identified blood RNA editing gene modifications that may aid in distinguishing between healthy controls, depressed patients, and those with BD and unipolar depression, improving diagnostic accuracy and treatment strategies (Salvetat et al. Transl Psychiatry 2022; 12(1):182). Objectives This study demonstrates that RNA editing biomarkers can accurately differentiate individuals with SZ, SA, BD, and healthy controls, highlighting the potential of artificial intelligence (AI)-based predictions for diagnosis. Methods A comparative analysis was performed with 85 healthy controls subjects, 39 BD, 31 SZ, and 14 SA patients. Patient samples were collected from two cohorts. Diagnostic assessments were conducted using SCID-1, HDRS, YMRS, and M.I.N.I., while healthy controls had no history of mental disorders or psychotropic medication use. Results Significant biomarkers were combined using a multiclass Random Forest algorithm. The algorithm was trained on 70% of the population. Then, the test was performed on the 30% of the population who never saw the algorithm. The analysis shows clear differentiation between the control group and individuals with BD, SZ, and SA with high sensitivities and specificities for ROC area under the curve (AUC). Conclusions This proof-of-concept analysis provides strong evidence for using RNA editing signature in diagnosis, and potentially in prognosis and treatment prediction. Further validation will be performed using a larger cohort. Disclosure of Interest None Declared
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».