Integrating Single‐Cell Transcriptome‐Wide Mendelian Randomization and Differentially Expressed Gene Analyses to Prioritize Dynamic Immune‐Related Drug Targets for Cancers
Notice bibliographique
Résumé
Single-cell expression quantitative trait loci data offer promising opportunities to inform immune-related drug development in cancer. However, pleiotropy can complicate causal inference. We introduce MR-DEG, a framework that integrates Mendelian randomization (MR) and differential expressed gene (DEG) to strengthen causal inference. Using eight conventional MR and colocalization methods, we estimated effects of 11 021 dynamic gene expression profiles during CD4+ T cell activation on the risk of six cancer types. This identified 1000 gene-cancer pairs with putative effects (https://www.omicsharbour.com/sc-eqtl-mr). Of these 1000 pairs, 517 involved 205 unique genes that were differentially expressed in relevant cancer tissues based on single-cell RNA-sequencing data. Of these 517 pairs, 265 were classified as likely causal using the conventional MR methods. After applying MR-DEG to the remaining 252 potentially pleiotropic pairs, an additional 89 were classified as likely causal. Sixty-four and 391 of the 1000 original pairs exhibited time- and non-time dependent effects on cancer risk, respectively. Integrating the 1000 gene-cancer pairs of MR findings and clinical trial evidence, we identified 200 pairs corresponding to 33 unique genes that encode drug targets under clinical investigation. These results demonstrate how combining genetic, transcriptomic and clinical trial evidence can reduce pleiotropic bias, and prioritize immune-related drug targets for cancer prevention.
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 | 0,012 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».