Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Calculation of DNA Strand Breaks by Types of Electron Interaction with Monte Carlo Simulation Kapitel lesen Erstes Kapitel lesen

2022 | OriginalPaper | Buchkapitel

Linear Predictive Modeling for Immune Metabolites Related to Other Metabolites

verfasst von : Jana Schwarzerova, Iro Pierides, Karel Sedlar, Wolfram Weckwerth

Erschienen in: Bioinformatics and Biomedical Engineering

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Metabolite analysis reveals new challenges in human health care. This human health care connects to the immune system and presents opportunities for the prevention and detection of early hidden disease symptoms. Predicting the concentration of immune metabolites and confirming relationships between concentrations of individual metabolites have the potential to create breakthroughs in diagnostic techniques. This early detection of serious diseases plays a major role in overall recovery. Moreover, metabolite analysis linked to biomedical applications could provide an ideal tool for preventive healthcare and the pharmaceutical industry.
This study presents the linear prediction of selected metabolites involved in the immune system. The evaluation relied on accurate linear prediction modeling and subsequent comparison. This is the first step toward determining the relationship of metabolites and immune system using computational biomedical analysis.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Calculation of DNA Strand Breaks by Types of Electron Interaction with Monte Carlo Simulation
Nächstes Kapitel Modelling of Arbitrary Shaped Channels and Obstacles by Distance Function
Literatur
1.
2.
3.
Zmora, N., Bashiardes, S., Levy, M., Elinav, E.: The role of the immune system in metabolic health and disease. Cell Metab. 25(3), 506–521 (2017)CrossRefPubMed
4.
5.
Kim, I., He, Y.-Y.: Targeting the AMP-activated protein kinase for cancer prevention and therapy. Front. Oncol. 3, 175 (2013)PubMedPubMedCentral
6.
7.
Buttgereit, F., Burmester, G.-R., Brand, M.D.: Bioenergetics of immune functions: fundamental and therapeutic aspects. Immunol. Today 21(4), 194–199 (2000)CrossRef
8.
9.
Arts, R.J.W., et al.: Glutaminolysis and fumarate accumulation integrate immunometabolic and epigenetic programs in trained immunity. Cell Metab. 24(6), 807–819 (2016)CrossRefPubMedPubMedCentral
10.
Gu, C., et al.: Isoleucine plays an important role for maintaining immune function. Curr. Protein Pept. Sci. 20(7), 644–651 (2019)CrossRefPubMed
11.
Cruzat, V., Rogero, M.M., Keane, K.N., Curi, R., Newsholme, P.: Glutamine: metabolism and immune function, supplementation and clinical translation. Nutrients 10(11), 1564 (2018)CrossRefPubMedCentral
12.
Iyer, A., Fairlie, D.P., Brown, L.: Lysine acetylation in obesity, diabetes and metabolic disease. Immunol. Cell Biol. 90(1), 39–46 (2012)CrossRefPubMed
13.
Moffett, J.R., Namboodiri, M.A.A.: Tryptophan and the immune response. Immunol. Cell Biol. 81(4), 247–265 (2003)CrossRefPubMed
14.
15.
Opitz, C.A., Wick, W., Steinman, L., Platten, M.: Tryptophan degradation in autoimmune diseases. Cell. Mol. Life Sci. 64(19–20), 2542–2563 (2007)CrossRefPubMed
16.
Tantawy, A.A., Naguib, D.M.: Arginine, histidine and tryptophan: a new hope for cancer immunotherapy. PharmaNutrition 8, 100149 (2019)CrossRef
17.
Bronte, V., Zanovello, P.: Regulation of immune responses by L-arginine metabolism. Nat. Rev. Immunol. 5(8), 641–654 (2005)CrossRefPubMed
18.
Lovelace, M.D., et al.: Recent evidence for an expanded role of the kynurenine pathway of tryptophan metabolism in neurological diseases. Neuropharmacology 112, 373–388 (2017)CrossRefPubMed
19.
Saha, S.B., Prasanna, J., Chandrasekar, B., Nandi, D.: Gene modulation and immunoregulatory roles of Interferonγ. Cytokine 50(1), 1–14 (2010)CrossRefPubMed
20.
21.
22.
Poon, I.K.H., Patel, K.K., Davis, D.S., Parish, C.R., Hulett, M.D.: Histidine-rich glycoprotein: the Swiss Army knife of mammalian plasma. Blood 117(7), 2093–2101 (2011)CrossRefPubMed
23.
Chu, X., et al.: Integration of metabolomics, genomics, and immune phenotypes reveals the causal roles of metabolites in disease. Genome Biol. 22(1), 1–22 (2021)CrossRef
24.
Hanusz, Z., Tarasińska, J.: Normalization of the Kolmogorov–Smirnov and Shapiro–Wilk tests of normality. Biometrical Lett. 52(2), 85–93 (2015)CrossRef
25.
Ranstam, J., Cook, J.A.: LASSO regression. J. Br. Surg. 105(10), 1348 (2018)CrossRef
26.
McDonald, G.C.: Ridge regression. Wiley Interdisc. Rev. Comput. Stat. 1(1), 93–100 (2009)CrossRef
27.
Marquardt, D.W., Snee, R.D.: Ridge regression in practice. Am. Stat. 29(1), 3–20 (1975)
28.
Ridgeway, G.: Generalized Boosted Models: A guide to the gbm package. Update, 2007, 1 January 2007
29.
de los Campos, G., Pataki, A., Pérez, P.: The BGLR (Bayesian Generalized Linear Regression) R-Package (2015)
30.
Hastie, T., Qian, J., Tay, K.: An Introduction to glmnet (2016)
31.
Engebretsen, S., Bohlin, J.: Statistical predictions with glmnet. Clin. Epigenetics 11(1), 1–3 (2019)CrossRef
32.
Yachen, Y.: MLmetrics: Machine Learning Evaluation Metrics. R package version 1.1.1 (2016)
33.
Pérez, P., de los Campos, G.: Genome-wide regression and prediction with the BGLR statistical package. Genetics 198(2), 483–495 (2014)
34.
Deutelmoser, H., et al.: Robust Huber-LASSO for improved prediction of protein, metabolite and gene expression levels relying on individual genotype data. Brief. Bioinform. 22(4), bbaa230 (2021)CrossRefPubMed
35.
Öllerer, V., Croux, C., Alfons, A.: The influence function of penalized regression estimators. Statistics 49(4), 741–765 (2015)CrossRef
36.
Beaver, W.L., Wasserman, K., Whipp, B.J.: Improved detection of lactate threshold during exercise using a log-log transformation. J. Appl. Physiol. 59(6), 1936–1940 (1985)CrossRefPubMed
37.
Becker, R.A., Chambers, J.M., Wilks, A.R.: The New S Language. Wadsworth & Brooks/Cole (1988)
38.
Grueneberg, A., de los Campos, G.: BGData - a suite of R packages for genomic analysis with big data. G3 Genes Genomes Genet. 9(5), 1377–1383 (2019)
39.
van den Berg, R.A., Hoefsloot, H.C.J., Westerhuis, J.A., Smilde, A.K., van der Werf, M.J.: Centering, scaling, and transformations: improving the biological information content of metabolomics data. BMC Genomics 7(1), 1–15 (2006)CrossRef
40.
Banerjee, P., Garai, B., Mallick, H., Chowdhury, S., Chatterjee, S.: A note on the adaptive LASSO for zero-inflated Poisson regression. J. Probab. Stat. 2018, 1–9 (2018)CrossRef
41.
Algamal, Z.Y.: Diagnostic in poisson regression models. Electron. J. Appl. Stat. Anal. 5(2), 178–186 (2012)
42.
Chai, T., Draxler, R.R.: Root mean square error (RMSE) or mean absolute error (MAE). Geosci. Model Dev. Discuss. 7(1), 1525–1534 (2014)
43.
Chicco, D., Warrens, M.J., Jurman, G.: The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Comput. Sci. 7, e623 (2021)CrossRefPubMedPubMedCentral
Metadaten
Titel
Linear Predictive Modeling for Immune Metabolites Related to Other Metabolites
verfasst von
Jana Schwarzerova
Iro Pierides
Karel Sedlar
Wolfram Weckwerth
Copyright-Jahr
2022
Buch
Bioinformatics and Biomedical Engineering

Print ISBN: 978-3-031-07703-6

Electronic ISBN: 978-3-031-07704-3

Copyright-Jahr: 2022

DOI
https://doi.org/10.1007/978-3-031-07704-3_2

Premium Partner

    Bildnachweise