MétaCan
Menu
Retour à la cohorte
Enregistrement W2912037782 · doi:10.1161/circ.133.suppl_1.mp84

Abstract MP84: Trans-ethnic Meta-analysis of Exome Chip Data Reveals Novel Low-frequency Variants Contributing to Central Adiposity

2016· article· en· W2912037782 sur OpenAlexaff
Kristin L. Young, Anne E. Justice, Tugce Karaderi, Heather M. Highland, Mariaelisa Graff, Valérie Turcot, Paul L. Auer, Nancy L. Heard‐Costa, Claudia Schurmann, Yingchang Lu, Dorota Pasko, L. Adrienne Cupples, Caroline S. Fox, Thomas W. Winkler, R. Douglas Scott, Mark I. McCarthy, Karen L. Mohlke, Ruth J. F. Loos, Kari E. North, Ingrid B. Borecki, Cecilia M. Lindgren

Notice bibliographique

RevueCirculation · 2016
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueNutrition, Genetics, and Disease
Établissements canadiensUniversité de Montréal
Organismes subventionnairesnon disponible
Mots-clésMinor allele frequencyMeta-analysisExomeMedicineGeneticsAllele frequencyExome sequencingAlleleOncologyGeneInternal medicineDemographyBiologyMutation

Résumé

récupéré en direct d'OpenAlex

Central adiposity is a leading risk factor for cardiovascular disease, and genetic factors contribute both to fat distribution, measured as waist-to-hip ratio adjusted for BMI (WHRa), and to differences in central adiposity prevalence. To date, 49 loci have been associated with WHRa, based on studies of common [minor allele frequency (MAF) ≥5%] single nucleotide variants (SNVs), primarily in European descent populations. Our aim was to identify low frequency (LFV: MAF <5%) and rare (RV: MAF <1%) coding variants associated with WHRa using Exome-Chip data from 344,369 individuals of European (84%), South Asian (8%), African (5%), East Asian(2%), and Hispanic/Latino (1%) ancestry. We performed fixed effects meta-analyses of study-specific WHRa associations stratified by sex and ancestry and then combined across strata for both SNV and gene-based results. We used a strict definition of variants annotated as damaging by 5 algorithms to perform gene-based analyses using the sequence kernel association test (SKAT). Analyses included up to 284,499 SNVs (218,195 with MAF<5%), and 15,063 genes with at least one SNV that met our inclusion criteria. Five LFVs reached chip-wide significance (CWS: P<2.5E-7) in our all ancestry sex-combined analyses, including one novel non-synonymous LFV in RAPGEF3 [MAF=0.01, β (SE) = -0.09 (0.012), P=1.28E-13]. In addition, one novel RV reached CWS in men for UGGT2 [MAF<0.01, β (SE) = -0.142 (0.025), P=9.71E-9], and one RV reached CWS in women for ACVR1C [MAF<0.01, β (SE) = -0.09 (0.018), P=1.09E-7]. Gene-based analyses identified RAPGEF3 (P=1.18E-11) as significantly associated with WHRa in the all ancestry sex combined analyses after correction for multiple tests (P<2.5E-6), though conditional analysis revealed that this result is driven by the top SV identified in this region. RAPGEF3 also shows a significant association (p=4.68E-12) in all ancestry, sex combined gene-based analysis of BMI. RAPGEF3 is expressed in subcutaneous and visceral adipose tissue, and has been implicated in insulin regulation. RAPGEF3 plays a role in the GLP1 pathway, which controls insulin secretion in response to blood glucose concentration. Our results highlight the importance of large-scale genomic studies for identifying LFV and RV influencing central fat distribution. Understanding these genetic effects may provide insights into the progression of central adiposity and highlight potential population-specific variants that increase susceptibility.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,055

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,018
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0050,021
Bibliométrie0,0030,005
Études des sciences et des technologies0,0010,001
Communication savante0,0030,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,087
Tête enseignante GPT0,314
Écart entre enseignants0,226 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCirculationMême sujetNutrition, Genetics, and DiseaseTravaux en français237 207