Supervised machine learning identifies impaired mitochondrial quality control in β cells with development of type 2 diabetes
Notice bibliographique
Résumé
Defining molecular pathways driving β-cell failure in type 2 diabetes (T2D) is challenging given donor heterogeneity. We developed an interpretable machine learning framework coupling sparse rule-based classification, pathway constrained modeling, and mitochondrial fitness stratification, applied to single-cell RNAseq from 52 human islet donors. A 50-gene classifier predicted T2D at single-cell resolution, outperforming ensemble models, with donor-level scores correlating with HbA1c. We identified a resilient non-diabetic (ND) β-cell subtype with preserved β-cell identity, while T2D β-cell subtypes showed cellular stress and suppressed oxidative phosphorylation. Mitophagy emerged as the dominant cellular pathway, with PINK1 , BNIP3 , and FUNDC1 as predictors. At the donor level, PINK1 expression decreased with T2D score and correlated with sex‑specific mitophagy patterns. We developed a mitochondrial fitness index (MFI, R² = 0.934) integrating mitophagy, proteostasis, biogenesis, and respiration, identifying PINK1 , SQSTM1 , PRKN , and BNIP3 as top T2D contributors. Interpretable machine learning revealed mitophagy as central to 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 ».