Mixed effects modelling for biological systems
Bibliographic record
Abstract
En raison des relations complexes entre les variables des systèmes biologiques, l’hétérogénéité \ndes données biologiques pose un défi pour leur modélisation par des modèles mathématiques \net statistiques. En réponse, étant conçus pour traiter des données multiniveaux et bruitées, les \nmodèles à effets mixtes deviennent de plus en plus populaires en modélisation quantitative de \nsystèmes biologiques. L'objectif de cette thèse est de présenter l’application de modèles à effets \nmixtes à différents systèmes biologiques. \nLe deuxième chapitre de ce mémoire vise à déterminer la relation entre la cote de qualité du \nsirop d'érable, divers indicateurs de qualité couramment obtenus par les producteurs ainsi qu'un \nnouvel indicateur, le COLORI, et la concentration en acides aminés (AA). Pour cela, nous avons \ncréé deux modèles à effets mixtes : le premier est un modèle ordinal qui prédit directement la \ncote de qualité du sirop d'érable en utilisant la transmittance, COLORI et AA ; le deuxième modèle \nest un modèle non linéaire qui prédit la concentration en AA en utilisant COLORI avec le pH \ncomme approximation temporelle. Nos résultats montrent que la concentration en AA est un \nbon prédicteur de la qualité du sirop d'érable et que COLORI est un bon prédicteur de la \nconcentration en AA. \nLe troisième chapitre traite de l’utilisation d’un modèle de la pharmacocinétique de population \n(PopPK) pour décrire la dynamique de l'estradiol dans un modèle de pharmacologie quantitative \ndes systèmes (QSP) de la différenciation des cellules mammaires en cellules myoépithéliales afin \nde capturer l'hétérogénéité de la population de patients. Nous avons trouvé que la composante \nPopPK du modèle QSP n’a pas ajoutée de grande variation dans la dynamique de patients virtuels, \nce qui suggère que le modèle QSP inclut intrinsèquement l'hétérogénéité. \nDans l'ensemble, ce mémoire démontre l'application de modèles à effets mixtes au systèmes \nbiologiques pour comprendre l'hétérogénéité des données biologiques.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.007 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 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".