Association of systemic lupus erythematosus (SLE) genetic susceptibility loci with lupus nephritis in childhood-onset and adult-onset SLE
Notice bibliographique
Résumé
OBJECTIVE: LN is one of the most common and severe manifestations of SLE. Our aim was to test the association of SLE risk loci with LN risk in childhood-onset SLE (cSLE) and adult-onset SLE (aSLE). METHODS: Two Toronto-based tertiary care SLE cohorts included cSLE (diagnosed <18 years) and aSLE patients (diagnosed ⩾18 years). Patients met ACR and/or SLICC SLE criteria and were genotyped on the Illumina Multi-Ethnic Global Array or Omni1-Quad arrays. We identified those with and without biopsy-confirmed LN. HLA and non-HLA additive SLE risk-weighted genetic risk scores (GRSs) were tested for association with LN risk in logistic models, stratified by cSLE/aSLE and ancestry. Stratified effect estimates were meta-analysed. RESULTS: Of 1237 participants, 572 had cSLE (41% with LN) and 665 had aSLE (30% with LN). Increasing non-HLA GRS was significantly associated with increased LN risk [odds ratio (OR) = 1.26; 95% CI 1.09, 1.46; P = 0.0006], as was increasing HLA GRS in Europeans (OR = 1.55; 95% CI 1.07, 2.25; P = 0.03). There was a trend for stronger associations between both GRSs and LN risk in Europeans with cSLE compared with aSLE. When restricting cases to proliferative LN, the magnitude of these associations increased for both the non-HLA (OR = 1.30; 95% CI 1.10, 1.52; P = 0.002) and HLA GRS (OR = 1.99; 95% CI 1.29, 3.08; P = 0.002). CONCLUSION: We observed an association between known SLE risk loci and LN risk in children and adults with SLE, with the strongest effect observed among Europeans with cSLE. Future studies will include SLE-risk single nucleotide polymorphisms specific to non-European ancestral groups and validate findings in an independent cohort.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,000 | 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 ».