Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
It is common to sex-stratify analyses of omics data and to report effects as 'sex-specific' when they are significant in only one sex. However, when analysing hundreds or thousands of molecules, this approach will yield many spurious 'sex-specific' effects if not supported by significant interactions. I illustrate this problem using an RNA sequencing dataset showing almost no significant sex by treatment interactions, but where sex-stratified analyses yield hundreds of 'sex-specific' effects of treatment. These 'sex-specific' effects could be spurious or could be real but not show interactions due to low statistical power. To distinguish these possibilities, I describe permutation tests, which provide an intuitive way to determine if a pattern of observations differs from what would be expected due to chance. For this dataset, assigning sex at random often generates more 'sex-specific' effects than the real data, demonstrating that there is little evidence of sex differences. Next, I simulate an RNA sequencing dataset that includes genes modelled to have sex-specific effects of a condition. As expected, analysis of this simulated dataset yields both significant interactions and sex-specific effects in sex-stratified analyses. While stratified analyses detect a higher number of sex-specific effects than the analysis of interactions, they erroneously identify genes not modelled to show sex-specific effects more often than interactions. A permutation test confirms that the number of sex-specific effects observed in the simulated dataset is greater than expected due to chance. Permutation tests can be applied to omics studies of sex differences, simultaneously providing (i) a clear and simple demonstration of the problems of sex-stratified analyses, and (ii) additional evidence of sex-specific effects where these are present. R code is provided for permutations, simulations, and plots to visualize potential sex-specific effects, which can be adapted to other types of data.
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.
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 | 0,000 | 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 découle