MétaCan
Menu
Retour à la cohorte
Enregistrement W2909886360 · doi:10.7555/jbr.32.20180045

Non-alcoholic fatty liver disease: a narrative review of genetics

2018· review· en· W2909886360 sur OpenAlexaff
Z. Gordon Jiang

Notice bibliographique

RevueJournal of Biomedical Research · 2018
Typereview
Langueen
DomaineMedicine
ThématiqueLiver Disease Diagnosis and Treatment
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesAmerican Association for the Study of Liver Diseases
Mots-clésNonalcoholic fatty liver diseaseFatty liverSteatohepatitisSteatosisCirrhosisDiseaseHepatocellular carcinomaBioinformaticsMedicineInsulin resistancePhenotypeBiologyGeneticsInternal medicineGeneObesity

Résumé

récupéré en direct d'OpenAlex

Non-alcoholic fatty liver disease (NAFLD) is now the most common cause of chronic liver diseases worldwide. It encompasses a spectrum of disorders ranging from isolated hepatic steatosis to nonalcoholic steatohepatitis (NASH), fibrosis, cirrhosis, and hepatocellular carcinoma. One of the key challenges in NAFLD is identifying which patients will progress. Epidemiological and genetic studies indicate a strong pattern of heritability that may explain some of the variability in NAFLD phenotype and risk of progression. To date, at least three common genetic variants in the PNPLA3, TM6SF2, and GCKR genes have been robustly linked to NAFLD in the population. The function of these genes revealed novel pathways implicated in both the development and progression of NAFLD. In addition, candidate genes previously implicated in NAFLD pathogenesis have also been identified as determinants or modulators of NAFLD phenotype including genes involved in hepatocellular lipid handling, insulin resistance, inflammation, and fibrogenesis. This article will review the current understanding of the genetics underpinning the development of hepatic steatosis and the progression of NASH. These newly acquired insights may transform our strategy to risk-stratify patients with NAFLD and to identify new potential therapeutic targets.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,564
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0030,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,199
Tête enseignante GPT0,518
Écart entre enseignants0,319 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations46
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Biomedical ResearchMême sujetLiver Disease Diagnosis and TreatmentTravaux en français237 207