MétaCan
Menu
Retour à la cohorte
Enregistrement W6948869301 · doi:10.5281/zenodo.11095070

Data from: Order among chaos: high throughput MYCroplanters can distinguish interacting drivers of host infection in a highly stochastic system

2025· other· en· W6948869301 sur OpenAlexaff

Notice bibliographique

RevueZenodo (CERN European Organization for Nuclear Research) · 2025
Typeother
Langueen
DomainePharmacology, Toxicology and Pharmaceutics
ThématiquePhytochemistry and Bioactivity Studies
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésHost (biology)PathogenMicrobiomeAbiotic componentScale (ratio)DiseaseGenotypeScalability

Résumé

récupéré en direct d'OpenAlex

The likelihood that a host will be susceptible to infection is influenced by the interaction of diverse biotic and abiotic factors. As a result, substantial experimental replication and scalability are required to identify the contributions of and interactions between the host, and the environment, and biotic factors such as the microbiome. For example, pathogen infection success is known to vary by host genotype, microbiota strain identity and dose, and pathogen dose. Elucidating the interactions between these factors in vivo has been challenging because testing combinations of these variables quickly becomes experimentally intractable. Here, we describe a novel high throughput plant growth system (MYCroplanters) to test how multiple host, microbiota, and pathogen variables predict host health. Using an Arabidopsis-Pseudomonas host-microbiota-pathogen model, we found that host genotype and bacterial strain order of arrival predict host susceptibility to infection, but pathogen and microbiota dose can overwhelm these effects. Host susceptibility to infection is therefore driven by complex interactions between multiple factors that can both mask and compensate for each other. However, regardless of host or inoculation conditions, the ratio of pathogen to microbiota emerged as a consistent predictor of disease. Our results demonstrate that high-throughput tools like MYCroplanters can isolate interacting drivers host susceptibility to disease. Increasing the scale at which we can screen drivers of disease outcomes, such as microbiome community structure, will facilitate both disease predictions as well as engineering solutions for medicine and agricultural applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Jeu de données · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,035

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,003

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.

Tête enseignante Opus0,102
Tête enseignante GPT0,363
Écart entre enseignants0,261 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreJeu de données

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueZenodo (CERN European Organization for Nuclear Research)Même sujetPhytochemistry and Bioactivity StudiesTravaux en français237 207