Prediction of depressive symptoms from socioeconomic data and DNA methylation signatures in depression
Notice bibliographique
Résumé
Depression is an increasingly common mental disorder associated with substantial deficits in the quality of life of the patient and increased mortality risk. Several Genomic-Wide Association Studies (GWAS) have been performed to identify genes associated with depression, but its partial heritability among other characteristics suggests the involvement of epigenetic changes in the origin of the disease. Since has been proven a discrepancy between objective and subjective cognition in Major Depressive Disorder (MDD) patients, it is necessary to find a system to detect the disease from a biological perspective. Using a Canadian community-based cohort (n=94) containing DNA methylation data, stratified for early-life socioeconomic status, and assessed for depressive symptoms with the Center for Epidemiologic Studies Depression (CES-D) scale, a differential methylation analysis was performed. From this analysis, 31 cytosine guanine dinucleotides (CpG) were identified as differentially methylated in patients showing depressive symptoms from patients not showing those symptoms. The analysis was performed separating patients by gender and taking the variable age as a covariate. From the socioeconomic and biomolecular variables, and identified CpG sites, a random forest classifier was developed to create a depressive symptoms prediction tool. The resulting algorithm has an accuracy of 73.74% (repeated 15-fold cross-validation, with 3 repeats). The web application Desypre (http://desypre.000webhostapp.com/) was created to allow the public use of the classifier.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 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 ».