Genetic investigation of equine recurrent uveitis in Appaloosa horses
Notice bibliographique
Résumé
Summary Equine recurrent uveitis (ERU) is characterized by intraocular inflammation that often leads to blindness in horses. Appaloosas are more likely than any other breed to develop insidious ERU, distinguished by low‐grade chronic intraocular inflammation, suggesting a genetic predisposition. Appaloosas are known for their white coat spotting patterns caused by the leopard complex spotting allele ( LP ) and the modifier PATN1 . A marker linked to LP on ECA1 and markers near MHC on ECA20 were previously associated with increased ERU risk. This study aims to further investigate these loci and identify additional genetic risk factors. A GWAS was performed using the Illumina Equine SNP70 BeadChip in 91 horses. Additive mixed model approaches were used to correct for relatedness. Although they do not reach a strict Bonferroni genome‐wide significance threshold, two SNPs on ECA1 and one SNP each on ECA12 and ECA29 were among the highest ranking SNPs and thus warranted further analysis ( P = 1.20 × 10 −5 , P = 5.91 × 10 −6 , P = 4.91 × 10 −5 , P = 6.46 × 10 −5 ). In a second cohort ( n = 98), only an association with the LP allele on ECA1 was replicated ( P = 5.33 × 10 −5 ). Modeling disease risk with LP , age and additional depigmentation factors ( PATN1 genotype and extent of roaning) supports an additive role for LP and suggests an additive role for PATN1 . Genotyping for LP and PATN1 may help predict ERU risk (AUC = 0.83). The functional role of LP and PATN1 in ERU development requires further investigation. Testing samples across breeds with leopard complex spotting patterns and a denser set of markers is warranted to further refine the genetic components of ERU.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».