New genetic signatures associated with cancer cachexia as defined by low skeletal muscle index and weight loss
Notice bibliographique
Résumé
BACKGROUND: Cachexia affects the majority with advanced cancer. Based on current demographic and clinical factors, it is not possible to predict who will develop cachexia or not. Such variation may, in part, be due to genotype. It has recently been proposed to extend the diagnostic criteria for cachexia to include a direct measure of low skeletal muscle index (LSMI) in addition to weight loss (WL). We aimed to explore our panel of candidate single nucleotide polymorphism (SNPs) for association with WL +/- computerized tomography-defined LSMI. We also explored whether the transcription in muscle of identified genes was altered according to such cachexia phenotype METHODS: A retrospective cohort study design was used. Analysis explored associations of candidate SNPs with WL (n = 1276) and WL + LSMI (n = 943). Human muscle transcriptome (n = 134) was analysed using an Agilent platform. RESULTS: Single nucleotide polymorphisms in the following genes showed association with WL alone: GCKR, LEPR, SELP, ACVR2B, TLR4, FOXO3, IGF1, CPN1, APOE, FOXO1, and GHRL. SNPs in LEPR, ACVR2B, TNF, and ACE were associated with concurrent WL + LSMI. There was concordance between muscle-specific expression for ACVR2B, FOXO1 and 3, LEPR, GCKR, and TLR4 genes and LSMI and/or WL (P < 0.05). CONCLUSIONS: The rs1799964 in the TNF gene and rs4291 in the ACE gene are new associations when the definition of cachexia is based on a combination of WL and LSMI. These findings focus attention on pro-inflammatory cytokines and the renin-angiotensin system as biomarkers/mediators of muscle wasting in cachexia.
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 | 0,000 |
| 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 ».