Evidence for Interaction between<i>PPARG</i>Pro12Ala and<i>PPARGC1A</i>Gly482Ser Polymorphisms in Determining Type 2 Diabetes Intermediate Phenotypes in Overweight Subjects
Notice bibliographique
Résumé
BACKGROUND: The peroxisome proliferator-activated receptor-gamma ( PPARG) Pro12Ala and the PPARG co-activator-1alpha ( PPARGC1A) Gly482Ser polymorphisms (SNPs) have been associated with type 2 diabetes mellitus (T2DM) risk. We hypothesized that independent and interactive effects of the PPARG Pro12Ala and PPARGC1A Gly482Ser polymorphisms influence T2DM intermediate phenotypes. MATERIAL AND METHODS: PPARG Pro12Ala and PPARGC1A Gly482Ser SNPs were studied in 680 non diabetic subjects who underwent a 75 g oral glucose tolerant test (OGTT). Glucose and insulin plasma levels in the fasting state and derived from the OGTT were included in the present study. RESULTS: We found significant independent effects of the PPARG and PPARGC1A variants on fasting insulin levels (p=0.02 for both), HOMA-IR (p=0.03 and p=0.02, respectively), insulin area under the curve (AUC) (p=0.007 and p=0.006, respectively) and 2-h glucose levels (p=0.02 for PPARGC1A). Furthermore, significant gene-gene interactions were found for fasting insulin, HOMA-IR and insulin AUC (p=0.03 for all). Carriers of the PPARGC1A Gly allele who were also PPARG Ala-carriers had higher fasting insulin levels (p=0.02), HOMA-IR (p=0.01) and insulin AUC (p=0.01) compared to the Ser/Ser-Ala+genotype combination, whereas no differences between the PPARGC1A genotypes among the PPARG Pro/Pro carriers were observed. CONCLUSION: Together, these results showed that PPARG Pro12Ala and PPARGC1A Gly482Ser variants are associated, alone and in interaction, with insulin and glucose homeostasis and suggest that gene-gene interactions should be taken into account in candidate gene studies of T2DM to identify subjects with markedly different risks of developing the disease.
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 ».