Supervised machine learning identifies impaired mitochondrial quality control in β cells with development of type 2 diabetes
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
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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