Abstract Traumatic brain injury (TBI) is a major unsolved public health problem worldwide with considerable preclinical research dedicated to recapitulating clinical TBI, deciphering the underlying pathophysiology, and developing therapeutics. However, the heterogeneity of clinical TBI and correspondingly in preclinical studies have made translation from bench to bedside difficult. Here, we present the potential of data sharing, data aggregation, and multivariate analytics to integrate heterogeneity and empower researchers. We introduce the Open Data Commons for Traumatic Brain Injury (ODC-TBI.org) as a user-centered web platform and cloudbased repository focused on preclinical TBI research that enables data citation with persistent identifiers, promotes data element harmonization, and follows FAIR data sharing principles. Importantly, the ODC-TBI implements data sharing at the level of individual subjects, thus enabling data reuse for granular big data analytics and data-hungry machine learning approaches. We provide use cases applying descriptive analytics and unsupervised machine learning on pooled ODC-TBI data. Descriptive statistics included subject-level data for 11 published papers (N = 1250 subjects) representing six distinct TBI models across mice and rats (implementing controlled cortical impact, closed head injury, fluid percussion injury, and CHIMERA TBI modalities). We performed principal component analysis (PCA) on cohorts of animals combined through the ODC-TBI to identify persistent inflammatory patterns across different experimental designs. Our workflow ultimately improved the sensitivity of our analyses in uncovering patterns of pro- vs anti-inflammation and oxidative stress without the multiple testing problems of univariate analyses. As the practice of open data becomes increasingly required by the scientific community, ODC-TBI provides a foundation that creates new scientific opportunities for researchers and their work, facilitates multi-dataset and multidimensional analytics, and drives collaboration across molecular and computational biologists to bridge preclinical research to the clinic.

Western blot is a popular biomolecular analysis method for measuring the relative quantities of independent proteins in complex biological samples. However, variability in quantitative western blot data analysis poses a challenge in designing reproducible experiments. The lack of rigorous quantitative approaches in current western blot statistical methodology may result in irreproducible inferences. Here we describe best practices for the design and analysis of western blot experiments, with examples and demonstrations of how different analytical approaches can lead to widely varying outcomes. To facilitate best practices, we have developed the blotRig tool for designing and analyzing western blot experiments to improve their rigor and reproducibility. The blotRig application includes functions for counterbalancing experimental design by lane position, batch management across gels, and analytics with covariates and random effects.

Western blot is a popular biomolecular analysis method for measuring the relative quantities of independent proteins in complex biological samples. However, variability in quantitative western blot data analysis poses a challenge in designing reproducible experiments. The lack of rigorous quantitative approaches in current western blot statistical methodology may result in irreproducible inferences. Here we describe best practices for the design and analysis of western blot experiments, with examples and demonstrations of how different analytical approaches can lead to widely varying outcomes. To facilitate best practices, we have developed the blotRig tool for designing and analyzing western blot experiments to improve their rigor and reproducibility. The blotRig application includes functions for counterbalancing experimental design by lane position, batch management across gels, and analytics with covariates and random effects.

ABSTRACT Aberrant angiogenesis could contribute to cognitive impairment, representing a therapeutic target for preventing dementia. However, most angiogenesis studies focus on model organisms. To test the relevance of angiogenesis to human cognitive aging, we evaluated associations of circulating blood markers of angiogenesis with brain aging trajectories in two deeply phenotyped human cohorts (n=435, age 74 + 9) with longitudinal cognitive assessments, biospecimens, structural brain imaging, and clinical data. Machine learning and traditional statistics revealed sex dimorphic associations of plasma angiogenic growth factors with brain aging outcomes. Specifically, angiogenesis is associated with higher executive function and less brain atrophy in younger women (not men), a directionality of association that reverses around age 75. Higher levels of basic fibroblast growth factor, known for pleiotropic effects on multiple cell types, predicted favorable cognitive trajectories. This work demonstrates the relevance of angiogenesis to brain aging with important therapeutic implications for vascular cognitive impairment and dementia.

Abstract Automated machine learning (AutoML) is positioned to democratize artificial intelligence (AI) by reducing the amount of human input and ML expertise needed to create prediction models. However, successful translation of ML in biomedicine requires moving beyond optimizing only for prediction accuracy and towards discovering reproducible clinical and biological inferences. Here, we present a model-agnostic framework to reinforce AutoML using strategies and tools of explainable and reproducible AI, including novel metrics for performance precision and feature instability. The framework enables clinicians to interpret AutoML-generated models for clinical and biological verifiability and consequently integrate domain expertise during model development. We applied the framework towards spinal cord injury prognostication and identified a detrimental relationship between intraoperative hypertension and patient outcome. Furthermore, our analysis captured evolving clinical practices such as faster time-to-surgery and blood pressure management that affected clinical model validation. Altogether, we illustrate how augmenting AutoML for inferential reproducibility empowers biomedical discovery and builds trust in AI processes towards effective clinical integration.

Biomarkers of spinal cord injury (SCI) could help determine the severity of the injury and facilitate early critical care decision making. We analyzed global gene expression in peripheral white blood cells during the acute injury phase and identified 197 genes whose expression changed after SCI compared to healthy and trauma controls and in direct relation to SCI severity. Unsupervised co-expression network analysis identified several gene modules that predicted injury severity (AIS grades) with an overall accuracy of 72.7% and included signatures of immune cell subtypes. Our findings indicate that global transcriptomic changes in peripheral blood cells have diagnostic and potentially prognostic value for SCI severity.

The International Mission on Prognosis and Analysis of Clinical Trials in Traumatic Brain Injury (IMPACT) model is a widely recognized prognostic model applied after traumatic brain injury (TBI). However, it was developed with patient cohorts that may not reflect modern practice patterns in North America. We analyzed data from two sources: the placebo arm of the phase II double-blind, multicenter randomized controlled trial Prehospital Tranexamic Acid for TBI (TXA) cohort and data from an observational cohort with similar inclusion/exclusion criteria (Predictors of Low-risk Phenotypes after Traumatic Brain Injury Incorporating Proteomic Biomarker Signatures (PROTIPS) cohort). All three versions of the IMPACT model - core, extended, and laboratory - were evaluated for 6-month mortality (GOSE=1) and unfavorable outcomes (GOSE=1-4). Calibration (intercept and slope) and discrimination (ROC-AUC) were used to assess model performance. We then compared three model updating methods - recalibration in the large, logistic recalibration, and coefficient update - with the best update method determined by likelihood ratio tests. In our calibration analysis, recalibration improved both intercepts and slopes, indicating more accurate predicted probabilities when recalibration was done. Discriminative performance of the IMPACT models, measured by AUC, showed mortality prediction ROCs between 0.61 to 0.82 for the TXA cohort, with the coefficient updated Lab model achieving the highest at 0.84. Unfavorable outcomes had lower AUCs, ranging from 0.60 to 0.79. Similarly, in the PROTIPS cohort, AUCs for mortality ranged from 0.75 to 0.82, with the coefficient updated Lab model also showing superior performance (AUC 0.84). Unfavorable outcomes in this cohort presented AUCs from 0.67 to 0.73, consistently lower than mortality predictions. The closed testing procedure using likelihood ratio tests consistently identified the coefficient update model as superior, outperforming the original and recalibrated models across all cohorts. In our comprehensive evaluation of the IMPACT model, the coefficient updated models were the best-performing across all cohorts through a structured closed testing procedure. Thus, standardization of model updating procedures is needed to reproducibly determine the best performing versions of IMPACT that reflect the specific characteristics of a dataset.