Hierarchical Machine Learning Uncovers Topological Signatures of Autophagy Regulation by Oral Bacteria in Oral Squamous Cell Carcinoma
Notice bibliographique
Résumé
Abstract Oral squamous cell carcinoma (OSCC) progression has been increasingly linked to dysbiosis of the oral microbiome. We hypothesized that pathogenic versus commensal bacteria differentially rewire host autophagy networks to either promote or inhibit OSCC progression. To test this, we constructed host–bacterium autophagy interactomes from KEGG, STRING, and curated databases, identifying key network hubs (e.g., MAPK1, STAT3) via graph-theoretic metrics. We then applied a hierarchical unsupervised machine learning pipeline, combining two-stage principal component analysis with permutation testing and linear discriminant analysis (LDA), to interrogate differences in network topology. This multi-layer approach revealed a clear separation between pro-cancer (pathogenic) and anti-cancer (commensal) bacterial network signatures, with Fusobacterium nucleatum and Streptococcus mitis emerging as dominant global outliers. Pathogenic taxa activated inflammatory–metabolic autophagy signatures (e.g., NFKB1, MYC, ACACA), whereas commensals stabilized kinase–homeostasis signaling (EGFR, PTEN, HSP90AA1). Permutation testing confirmed that these network differences were highly significant and non-random (p < 0.001). We also derived a Dysbiosis Index that robustly distinguished the pro- versus anti-cancer bacterial cohorts with high predictive power. Collectively, our findings highlight oral microbiota–autophagy network topologies as potential biomarkers of OSCC dysbiosis and as novel therapeutic targets. Abstract Figure Lay summary Healthy mouth bacteria help cells stay balanced and protected. When harmful bacteria take over, they disrupt cell recycling (autophagy), increase inflammation, and causing cells to become more aggressive, which can promote oral cancer development.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».