Integrative analysis of the plasma proteome and polygenic risk of cardiometabolic diseases
Notice bibliographique
Résumé
Summary Paragraph Common human diseases are frequently polygenic in architecture, comprising a large number of risk alleles with small effects spread across the genome 1–3 . Polygenic scores (PGSs) aggregate these alleles into a metric which represents an individual’s genetic predisposition to a specific disease. PGSs have shown promise for early risk prediction 4–7 , and there is potential to use PGSs to understand disease biology in parallel 8 . Here, we investigate the role plasma protein levels play in cardiometabolic disease risk in a cohort of 3,087 healthy individuals using PGSs. We found PGSs for coronary artery disease (CAD), type 2 diabetes (T2D), chronic kidney disease (CKD), and ischaemic stroke (IS) were associated with levels of 49 plasma proteins. These associations were polygenic in architecture, largely independent of cis protein QTLs, and robust to environmental variation. Over a median 7.7 years follow-up, 28 of these plasma proteins were associated with future myocardial infarction (MI) or T2D events, 16 of which were causal mediators between polygenic risk and incident disease. These protein mediators of polygenic disease risk included targets of approved therapies which may have repurposing potential. Our results demonstrate that PGSs can identify proteins with causal roles in disease, and may have utility in drug development.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».