Data repository for: Differential Expression Enrichment Tool (DEET): An interactive atlas of human differential gene expression
Notice bibliographique
Résumé
<em>Description adapted from manuscript abstract. </em>RNA sequencing (RNA-seq) followed by differential gene expression analyses is a fundamental approach for making biological discoveries. Ongoing large-scale efforts to systematically process and normalize publicly available gene expression data facilitate rapid reanalyses of specific studies and the development of new methods for querying these public data. However, while several powerful tools can query systematically processed publicly available RNA-seq data at the individual sample level, there are fewer options for querying differentially expressed gene (DEG) lists generated from these experiments. Here, we present the Differential Expression Enrichment Tool (DEET), which allows users to interact with 3162 consistently processed DEG lists curated from 142 RNA-seq datasets obtained from the <em>recount2</em> database, which contains data from consortiums (GTEx, TCGA) and individual labs (SRA). To establish DEET, we integrated systematically processed human RNA-seq data from recount2 with reported and previously predicted metadata from multiple sources. We then developed a CRAN R package (https://cran.r-project.org/web/packages/DEET/index.html) and Shiny App (https://wilsonlab-sickkids-uoft.shinyapps.io/DEET-shiny/) where users can compare their gene lists against the DEG lists within DEET. Here we present DEET and demonstrate how it can facilitate hypothesis generation and provide biological insight from user-defined differential gene expression results.
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 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 tête enseignante, 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 ».