Bibliographic record
Abstract
La compréhension des fondements génétiques de trait complexes est un objectif important pour plusieurs chercheurs. Les progrès technologiques dans la production de données à partir de plusieurs niveaux de systèmes biologiques, telles que les séquences d'ADN, les niveaux d'expression d'ARN, les modèles de méthylation ou tout autre marqueur épigénétique, protéomique et métabolomique, ont stimulé la recherche translationnelle en bioinformatique depuis la dernière décennie en produisant une quantité croissante de données (Ritchie et al., (2015)). Dans le domaine de la neuroscience, les données moléculaires et cellulaires sont jumelées avec des données d'imagerie du cerveau mesurant l'information structurelle et fonctionnelle durant les activités mentales et comportementales.Pusqu'il est maintenant pratique courante en recherche biomédicale de faire plusieurs analyses sur un même échantillon de patients, les méthodes pour l'analyse intégrative de deux ou plusieurs jeux de données multidimensionnels deviendront de plus en plus importantes (Witten et al., (2009)). Dans ce mémoire, notre travail est motivé par une unité de recherche sur la progression de la maladie d'Alzheimer, Alzheimer's Disease Neuroimaging Initiative (ADNI), qui regroupe des données sur l'imagerie du cerveau, sur la génétique et sur les phénotypes. Une stratégie d'intégration des données devra être implémentée pour analyser ces données conjointement. Le cadre que nous proposons permet d'identifier les sous-groupes de charactéristiques dans l'ADNI qui agissent potentiellement à travers les mêmes voies biologiques menant au phénotype d'intérêt. Autrement dit, notre objectif est de prédire conjointement des phénotypes qui présentent le plus d'information partagée parmi les jeux de données. Les méthodes que nous proposons sont basées sur une stratégie de réduction des données telle que les composantes de différents jeux de données sont corrélées entre elles. Dans le but d'atteindre notre objectif, nous proposons d'évaluer neuf cadres statistiques par des études de simulations comprenant plusieurs scénarios. Puis, le meilleur cadre statistique (choisi) est évalué plus en détails à l'aide d'une seconde étude de simulation. Nous démontrons aussi la performance du cadre statistique choisi sur les données de l'ADNI. Nous comparons également nos résultats à une technique appelée Regularized Generalized Canonical Correlation Analysis (Tenenhaus et al., (2011), Tenenhaus et al., (2014)).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".