Penetrance of polygenic obesity susceptibility loci across the body mass index distribution: an update on scaling effects
Notice bibliographique
Résumé
ABSTRACT A growing number of single nucleotide polymorphisms (SNPs) have been associated with body mass index (BMI) and obesity, but whether the effect of these obesity susceptibility loci is uniform across the BMI distribution remains unclear. We studied the effects of 37 BMI/obesity-associated SNPs in 75,230 adults of European ancestry along BMI percentiles using conditional quantile regression (CQR) and meta-regression (MR) models. The effects of 9 SNPs (24%) increased significantly across the sample BMI distribution including, FTO (rs1421085, p=8.69×10 −15 ), PCSK1 (rs6235, p=7.11×10 −06 ), TCF7L2 (rs7903146, p=9.60×10 −06 ), MC4R (rs11873305, p=5.08×10 −05 ), FANCL (rs12617233, p=5.30×10 −05 ), GIPR (rs11672660, p=1.64× −04 ), MAP2K5 (rs997295, p=3.25×10 −04 ), FTO (rs6499653, p=6.23×10 −04 ) and NT5C2 (rs3824755, p=7.90×10 −04 ). We showed that such increases stem from unadjusted gene interactions that enhanced the effects of SNPs in persons with high BMI. When 125 height-associated were analyzed for comparison, only one (<1%), IGF1 (rs6219, p=1.80×10 −04 ), showed effects that varied significantly across height percentiles. Cumulative gene scores of these SNPs (GS-BMI and GS-Height, respectively) showed that only GS-BMI had effects that increased significantly across the sample distribution (BMI: p=7.03×10 −37 , Height: p=0.499). Overall, these findings underscore the importance of gene-gene and gene-environment interactions in shaping the genetic architecture of BMI and advance a method to detect such interactions using only the sample outcome distribution.
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 | 0,041 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».