Analysis of genes, pathways and networks involved in disease severity and age at onset in primary-progressive multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND: The role of genetic factors in influencing the clinical expression of multiple sclerosis (MS) is unclear. OBJECTIVE: The objective of this paper is to identify genes, pathways and networks implicated in age at onset (AAO) and severity, measured using the Multiple Sclerosis Severity Score (MSSS), of primary-progressive MS (PPMS). METHODS: We conducted a genome-wide association study (GWAS) of 470 PPMS patients of Italian origin:. Allelic association of 296,589 SNPs with AAO and MSSS was calculated. Pathway and network analyses were also conducted using different tools. RESULTS: No single association signal exceeded genome-wide significance in AAO and MSSS analyses. Nominally associated genes to AAO and MSSS were enriched in both traits for 10 pathways, including: "oxidative phosphorylation" (FDRAAO=9*10(-4); FDRMSSS=3.0*10(-2)), "citrate (TCA) cycle" (FDRAAO=1.6*10(-2); FDRMSSS=3.2*10(-3)), and "B cell receptor signaling" (FDRAAO=3.1*10(-2); FDRMSSS=2.2*10(-3)). In addition, an enrichment of "chemokine signaling pathway" (FDR=9*10(-4)) for AAO and of "leukocyte transendothelial migration" (FDR=2.4*10(-3)) for MSSS trait was observed, among others. Network analysis revealed that p53 and CREB1 were central hubs for AAO and MSSS traits, respectively. CONCLUSIONS: Despite the fact that no major effect signals emerged in the present GWAS, our data suggest that genetic variants acting in the context of oxidative stress and immune dysfunction could modulate the onset and severity of PPMS.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».