Identification of variants, genes and pathways in synucleinopathies using bioinformatics and machine learning
Notice bibliographique
Résumé
Synucleinopathies are a group of neurodegenerative diseases characterized by the presence of alpha-synuclein in the brain of the patient.Synucleinopathies are primarily composed of Parkinson's disease (PD), dementia with Lewy body (DLB) and multiple system atrophies (MSA).Currently, there is no cure for any of the above-mentioned disorders.Since degeneration occurs before disease diagnosis, drugs and therapeutics slowing down or stopping disease progression are of crucial importance.Early diagnosis is important for patients to administer treatment before severe degeneration occurs.For example, REM-sleep behavior disorder (RBD) is considered one of the best predictors for synucleinopathies as more than 80% of patients phenoconvert to PD, DLB or MSA.Genetic studies have been conducted to characterize the genetic landscape of synucleinopathies.Familial PD revealed monogenic PD genes such as LRRK2, PRKN, PINK1, and DJ-1 and case-control studies identified PD risk factors such as GBA1.Genome-wide association studies (GWAS) nominated genes such as GBA1, SNCA and TMEM175 that were central to PD, DLB and RBD.Many other genes were found to be distinct for a certain disorder such as LRRK2 in PD and APOE in DLB.Although GWAS nominated numerous novel loci, most of these loci have unknown causal genes due to a lack of additional biological evidence.In this thesis, I used bioinformatics and machine learning to characterize patients and identify novel genetic targets.In Chapter 2, I investigated the association of heterozygous PRKN single nucleotide variants (SNVs) and copy number variations (CNVs) with PD.While PRKN is an autosomal recessive PD gene, the role of heterozygous PRKN variants is controversial.Using targeted next-generation sequencing, we sequenced the coding and untranslated region of PRKN
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».