Phenome-Wide and Genome-Wide Analyses in CLSA Biobank and Interactive Web-Based Platform for the Results Sharing
Notice bibliographique
Résumé
L'avènement des études d'association pangénomique (GWAS) a considérablement avancé notre compréhension des traits complexes—traits influencés par plusieurs gènes et facteurs environnementaux—en analysant la fréquence des variants à travers le génome chez des milliers d'individus avec différents statuts de santé. À ce jour, les GWAS ont identifié plus de 434,000 associations génétiques significatives pour plus de 3,300 traits complexes. Parmi ces traits, on compte l'obésité, les maladies auto-immunes et le cancer. De plus, ces observations ont influencé un large éventail de domaines tels que le mécanisme des maladies, le développement de médicaments et de la médecine personnalisée.Initialement, les GWAS se concentraient sur des maladies ou des traits individuels, mais il est rapidement devenu évident que de nombreux variants et gènes sont associés à plusieurs traits. Ce phénomène est connu sous le nom de pléiotropie. Des biobanques, comme UK Biobank et FinnGen, compilent les données génétiques et les mesures phénotypiques provenant de centaines de milliers d'individus à l’échelle mondiale. L'émergence de ces biobanques a permis aux chercheurs d'examiner l'impact de chacun des variants à travers une multitude de maladies et de traits grâce aux études d'association phénomiques (PheWAS). Non seulement cette approche élargit notre compréhension des mécanismes de diverses maladies en révélant des influences génétiques partagées, elle aide également à identifier des cibles pour de nouveaux traitements et la reposition de médicaments. Les avantages des GWAS et des PheWAS soulignent l'importance de partager mondialement les statistiques sommaires des associations trait-variant à des fins d’analyses et d’applications dérivées C’est dans cette optique que l’outil de visualisation de données PheWeb a été développé. PheWeb est un logiciel open-source, en ligne, utilisé pour partager des résultats selon les approches GWAS et PheWAS. Il permet ainsi aux chercheurs du monde entier de facilement accéder, visualiser et explorer les données de diverses sources d'informations reconnues.Ce projet vise à effectuer des analyses systématiques de GWAS et PheWAS en utilisant toutes les données génétiques et les phénotypes binaires disponibles dans l'étude longitudinale canadienne sur le vieillissement (CLSA ÉLCV), l'une des plus grandes études génétiques du Canada, et à partager les résultats avec la communauté scientifique en utilisant la plateforme PheWeb. Le CLSA PheWeb est construit à partir de 348 phénotypes binaires, avec plus de 308 millions de variants présents chez environ 25,000 individus d'ascendance génétique européenne, fournissant une ressource inestimable pour les chercheurs. Le CLSA PheWeb peut favoriser la recherche interdisciplinaire et la collaboration mondiale, incluant les études de méta-analyse, en fournissant une plateforme accessible pour la communauté scientifique afin d'explorer, valider et comparer les associations génétiques à travers divers ensembles de données. Ce potentiel collaboratif peut accélérer la découverte de nouvelles perspectives génétiques et renforcer la validation des associations existantes, enrichissant notre compréhension de la génétique humaine
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 | 0,010 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,012 | 0,015 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,129 | 0,050 |
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 ».