Supervised machine learning identifies impaired mitochondrial quality control in β cells with development of type 2 diabetes
Notice bibliographique
Résumé
Abstract In type 2 diabetes (T2D), molecular pathways driving β cell failure are difficult to resolve with standard single cell analysis. Here we developed an interpretable, supervised machine learning framework that couples sparse rule-based classification (SnakeClassifier), pathway constrained modelling (BlackSwanClassifier), and β cell mitochondrial fitness stratification (Kolmogorov-Arnold Neural Networks KANN), linking and integrating them into disease mechanisms in single cell RNA sequencing (scRNA-seq) from 52 human donors. SnakeClassifier trained on 50 genes accurately predicted T2D at single cell resolution, outperforming classical ensemble machine learning classifier models, and yielded donor level diabetes scores that correlated with chronic hyperglycemia. The clustering of β cell populations (β1-4) revealed a resilient non-diabetic (ND) β1 subtype characterized by preserved β cell identity genes and lower disease risk, whereas T2D β2-4 subtypes exhibited upregulation of genes involved in cellular and mitochondrial stress and suppression of genes promoting oxidative phosphorylation and insulin secretion. Mitophagy emerged as the dominant program linked to T2D and a mitophagy focused BlackSwanClassifier nominated PINK1, BNIP3 , and FUNDC1 as key regulators. PINK1 was enriched in ND β1, decreased with T2D disease score and connected sex stratified mitophagy. We generated a KANN derived mitochondrial fitness index (MFI) integrating mitophagy, mitochondrial proteostasis, biogenesis and oxidative phosphorylation into a single interpretable score (R 2 = 0.934 vs module-based mitochondria quality index), which identified mitophagy PINK1, SQSTM1, PRKN and BNIP3 as top contributors to T2D progression. These transparent models unify prediction with T2D disease mechanism and identify the mitophagy receptor PINK1 as a central determinant of β cell metabolic fitness
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 | 0,001 | 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 | 0,000 | 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) | 0,001 | 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 ».