Genetic influences on nicotinic α5 receptor (CHRNA5) CpG methylation and mRNA expression in brain and adipose tissue
Notice bibliographique
Résumé
INTRODUCTION: The nicotinic α5 receptor subunit, encoded by CHRNA5, harbors multiple functional single nucleotide polymorphisms (SNPs) that affect mRNA expression and alter the encoded protein. These polymorphisms are most notably associated with drug-taking behaviors and cognition. We previously identified common SNPs in a distant regulatory element (DRE) that increase CHRNA5 mRNA expression in the human prefrontal cortex (PFC) and confer risk for nicotine dependence. Genome-wide epigenetic studies in PFC and adipose tissue find strong effects of the DRE SNPs on CpG methylation. However, it is unclear whether DRE SNPs influence CpG methylation en route to modulating CHRNA5 mRNA expression. It is also unclear whether these polymorphisms affect expression in other brain regions, especially those mediating drug-taking behaviors. RESULTS: By measuring total and allelic CHRNA5 mRNA expression in human habenula and putamen autopsy tissues, we found that CHRNA5 DRE variants considerably increase mRNA expression by up to 3.5-fold in both brain regions. Our epigenetic analysis finds no association between CpG methylation and CHRNA5 mRNA expression in the PFC or adipose tissues. CONCLUSIONS: These finding suggests the mechanisms responsible for the genetic modulation of CpG methylation and mRNA expression are independent despite the DRE SNPs being highly associated with both measures. Our findings support a strong association between the DRE SNPs and mRNA expression or CpG methylation in the brain and periphery, but the independence of the two measures leads us to conclude that environmental factors affecting CpG methylation do not appear to directly modulate gene expression.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».