Genome-wide studies to identify risk factors for kidney disease with a focus on patients with diabetes
Notice bibliographique
Résumé
Chronic kidney disease (CKD) affects 10-13% of the general population and diabetic nephropathy (DN) is the leading cause of end-stage renal disease (ESRD). In addition to known demographic, biochemical and lifestyle risk factors, genetics is also contributing to CKD risk. In recent years, genome-wide association studies (GWAS) have provided a hypothesis-free approach to identify common genetic variants that could account for the genetic risk component of common diseases such as CKD. The identification of these variants might reveal the biological processes underlying renal impairment and could aid in improving risk estimates for CKD. This review aims to describe the methods as well as strengths and limitations of GWAS in CKD and to summarize the findings of recent GWAS in DN. Several loci and SNPs have been found to be associated with distinct CKD traits such as eGFR and albuminuria. For diabetic kidney disease, several loci were identified in different populations. Subsequent functional studies provided insights into the mechanism of action of some of these variants, such as UMOD or CERS2. However, overall, the results were ambiguous, and a few of the variants were not consistently replicated. In addition, the slow progression from albuminuria to ESRD could limit the power of longitudinal studies. The typically small effect size associated with genetic variants as well as the small portion of the variability of the phenotype explained by these variants limits the utility of genetic variants in improving risk prediction. Nevertheless, identifying these variants could give a deeper understanding of the molecular pathways underlying CKD, which in turn, could potentially lead to the development of new diagnostic and therapeutic tools.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 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) | 0,000 | 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 ».