Approche intégrative de la lipidomique pour l’étude des maladies cardiovasculaires : une perspective multimodale
Bibliographic record
Abstract
L’insuffisance cardiaque (IC) représente un défi majeur de santé publique, avec une prévalence mondiale croissante. Cette pathologie complexe se manifeste sous diverses formes cliniques, chacune ayant des causes et des traitements spécifiques. Les progrès dans la compréhension des mécanismes moléculaires de l’IC soulignent l’importance de combiner les données de différents domaines biologiques, tels que les données métabolomiques et génomiques, pour mieux comprendre les changements spécifiques à cette pathologie. Les lipides, en particulier, jouent un rôle majeur dans le pronostic des maladies cardiovasculaires. Ce projet vise à adopter une approche globale, combinant des données génétiques, lipidomiques et électrocardiographiques, afin de fournir une compréhension approfondie de l’IC. Nous avons analysé une cohorte de 278 participants provenant de la Biobanque de l’Institut de Cardiologie de Montréal. Grâce à une étude d’association pangénomique (GWAS), nous avons identifié des variants génétiques associées aux profils lipidiques sanguins, offrant des informations sur l’influence des facteurs génétiques sur la composition lipidique et leur rôle potentiel dans les mécanismes de la maladie. De plus, nous avons exploré les associations entre les variations lipidiques et les phénotypes électrocardiographiques, suggérant une relation entre l’activité électrique du coeur et la composition lipidique. Enfin, en utilisant l’apprentissage automatique, nous avons identifié une signature lipidique capable de distinguer les patients souffrant d’IC en fonction de l’abondance lipidique. Nos résultats soulignent l’importance d’une approche intégrée de données multi-omiques pour comprendre les interactions complexes entre les lipides, la génétique et la fonction cardiaque, ouvrant ainsi la voie à de nouvelles approches diagnostiques et thérapeutiques.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.081 | 0.090 |
| Meta-epidemiology (narrow) | 0.003 | 0.001 |
| Meta-epidemiology (broad) | 0.005 | 0.005 |
| Bibliometrics | 0.009 | 0.006 |
| Science and technology studies | 0.002 | 0.004 |
| Scholarly communication | 0.014 | 0.008 |
| Open science | 0.004 | 0.006 |
| Research integrity | 0.005 | 0.009 |
| Insufficient payload (model declined to judge) | 0.008 | 0.003 |
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 source (direct Gemma or distilled Codex), 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".