Atopic dermatitis: Interaction between genetic variants of <i><scp>GSTP</scp>1</i>,<i><scp>TNF</scp></i>,<i><scp>TLR</scp>2</i>, and <i><scp>TLR</scp>4</i> and air pollution in early life
Notice bibliographique
Résumé
Abstract Background Associations between traffic‐related air pollution ( TRAP ) and childhood atopic dermatitis ( AD ) remain inconsistent, possibly due to unexplored gene‐environment interactions. The aim of this study was to examine whether a potential effect of TRAP on AD prevalence in children is modified by selected single nucleotide polymorphisms ( SNP s) related to oxidative stress and inflammation. Methods Doctor‐diagnosed AD up to age 2 years and at 7‐8 years, as well as AD symptoms up to age 2 years, was assessed using parental‐reported questionnaires in six birth cohorts (N = 5685). Associations of nitrogen dioxide ( NO 2 ) estimated at the home address of each child at birth and nine SNP s within the GSTP 1 , TNF , TLR 2 , or TLR 4 genes with AD were examined. Weighted genetic risk scores ( GRS ) were calculated from the above SNP s and used to estimate combined marginal genetic effects of oxidative stress and inflammation on AD and its interaction with TRAP . Results GRS was associated with childhood AD and modified the association between NO 2 and doctor‐diagnosed AD up to the age of 2 years ( P (interaction) = .029). This interaction was mainly driven by a higher susceptibility to air pollution in TNF rs1800629 minor allele (A) carriers. TRAP was not associated with the prevalence of AD in the general population. Conclusions The marginal genetic association of a weighted GRS from GSTP 1 , TNF , TLR 2 , and TLR 4 SNP s and its interaction with air pollution supports the role of oxidative stress and inflammation in AD .
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».