Public Health Genomics: Exploiting SNP-NSAID interactions to prevent colorectal cancer
Notice bibliographique
Résumé
Colorectal cancer (CRC) is a common disease with a high mortality rate. Non-steroidal anti-inflammatory drugs (NSAIDs) such as aspirin and ibuprofen have shown considerable promise as preventive agents for CRC. However, due to concerns over the balance between benefits and harms NSAIDs are not recommended as a means of preventing CRC in average risk groups. Investigation into genetic modifiers of NSAIDs' chemopreventive action may help to identify those for whom such drugs are beneficial or ineffective. This thesis explored genetic mediation of the effectiveness of NSAID prophylaxis for CRC. A review of basic CRC biology and methods for investigating interactions, a systematic review of the literature to identify candidate interactions, and a secondary analysis of a GWA case-control study were performed. Candidate SNPs were screened for potential interactions, and several possible interactions were identified. The joint effects were similar for aspirin and ibuprofen, but not acetaminophen, implying true biological effects. Potential interactions were investigated further using a stepwise model building procedure. This resulted in a model containing three SNPs, aspirin and/or Ibuprofen use, their interactions, sex and age. This model was better able to discriminate cases and controls, demonstrated better calibration, and had greater information content (by AIC) than models without the interaction terms. Finally, recommendations for further research were given.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,004 | 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 ».