Interaction between heavy smoking and CYP2A6 genotypes on type 2 diabetes and its possible pathways
Notice bibliographique
Résumé
OBJECTIVE: To explore the interactions between smoking and CYP2A6 genotypes on type 2 diabetes (T2DM) as well as potential pathways for smoking in causing T2DM. DESIGN: Cross-sectional study. METHODS: A total of 1344 smokers with complete data from a community-based T2DM survey in Guangzhou and Zhuhai of China from July 2006 to June 2007 were interviewed with a structured questionnaire about socio-demographic status and daily cigarette consumption. Serum glucose, insulin, and cotinine were measured after an overnight fast. Subjects were genotyped for CYP2A6 and classified, according to genotype, into normal, intermediate, slow, or poor nicotine metabolizers based on prior knowledge of CYP2A6 allele associations with nicotine C-oxidation rate. Abdominal obesity was defined as a waist-to-hip ratio ≥0.90 for males or ≥0.85 for females. Type 2 diabetic patients (n=154) were diagnosed according to WHO 1999 criteria. Chi-square tests, multivariate logistic regression models, and a structural equation model were used in this study. RESULTS: Multivariate analysis indicated that, compared with light smoking, heavy smoking significantly increased the risk of T2DM (odds ratio (OR)=1.75, 95% CI=1.01-3.05). There were significant interactions between heavy smoking and slow CYP2A6 (OR=5.12, 95% CI=1.08-24.23) and poor CYP2A6 metabolizer genotypes (OR=8.54, 95% CI=1.28-57.02) on T2DM. Structural equation modeling indicated that CYP2A6 moderation of smoking quantity risk on T2DM was mediated by the effects on serum cotinine, abdominal obesity, insulin resistance, and insulin secretion. CONCLUSIONS: Heavy smoking was significantly associated with T2DM, and this association was moderated by CYP2A6 genotype and mediated by serum cotinine, abdominal obesity, insulin resistance, and insulin secretion.
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 | 0,001 | 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 | 0,001 |
| 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 ».