MétaCan
Menu
Retour à la cohorte
Enregistrement W3014518127 · doi:10.1186/s13148-020-00840-6

DNA methylation age calculators reveal association with diabetic neuropathy in type 1 diabetes

2020· article· en· W3014518127 sur OpenAlexaff
Delnaz Roshandel, Zhuo Chen, Angelo J. Canty, Shelley B. Bull, Rama Natarajan, Andrew D. Paterson

Notice bibliographique

RevueClinical Epigenetics · 2020
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueEpigenetics and DNA Methylation
Établissements canadiensSinai Health SystemLunenfeld-Tanenbaum Research InstituteHospital for Sick ChildrenPublic Health OntarioSickKids FoundationUniversity of TorontoMcMaster University
Organismes subventionnairesNational Institute of Diabetes and Digestive and Kidney DiseasesNational Cancer InstituteNational Heart, Lung, and Blood InstituteNational Institutes of Health
Mots-clésMedicinedNaMDiabetes mellitusInternal medicineDiabetic retinopathyPopulationDiabetic nephropathyRetinopathyType 2 diabetesType 1 diabetesEpidemiologyNephropathyEndocrinologyDNA methylationBiologyGenetics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Many CpGs become hyper or hypo-methylated with age. Multiple methods have been developed by Horvath et al. to estimate DNA methylation (DNAm) age including Pan-tissue, Skin & Blood, PhenoAge, and GrimAge. Pan-tissue and Skin & Blood try to estimate chronological age in the normal population whereas PhenoAge and GrimAge use surrogate markers associated with mortality to estimate biological age and its departure from chronological age. Here, we applied Horvath's four methods to calculate and compare DNAm age in 499 subjects with type 1 diabetes (T1D) from the Diabetes Control and Complications Trial/Epidemiology of Diabetes Interventions and Complications (DCCT/EDIC) study using DNAm data measured by Illumina EPIC array in the whole blood. Association of the four DNAm ages with development of diabetic complications including cardiovascular diseases (CVD), nephropathy, retinopathy, and neuropathy, and their risk factors were investigated. RESULTS: Pan-tissue and GrimAge were higher whereas Skin & Blood and PhenoAge were lower than chronological age (p < 0.0001). DNAm age was not associated with the risk of CVD or retinopathy over 18-20 years after DNAm measurement. However, higher PhenoAge (β = 0.023, p = 0.007) and GrimAge (β = 0.029, p = 0.002) were associated with higher albumin excretion rate (AER), an indicator of diabetic renal disease, measured over time. GrimAge was also associated with development of both diabetic peripheral neuropathy (OR = 1.07, p = 9.24E-3) and cardiovascular autonomic neuropathy (OR = 1.06, p = 0.011). Both HbA1c (β = 0.38, p = 0.026) and T1D duration (β = 0.01, p = 0.043) were associated with higher PhenoAge. Employment (β = - 1.99, p = 0.045) and leisure time (β = - 0.81, p = 0.022) physical activity were associated with lower Pan-tissue and Skin & Blood, respectively. BMI (β = 0.09, p = 0.048) and current smoking (β = 7.13, p = 9.03E-50) were positively associated with Skin & Blood and GrimAge, respectively. Blood pressure, lipid levels, pulse rate, and alcohol consumption were not associated with DNAm age regardless of the method used. CONCLUSIONS: Various methods of measuring DNAm age are sub-optimal in detecting people at higher risk of developing diabetic complications although some work better than the others.

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)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,033
Tête enseignante GPT0,306
Écart entre enseignants0,272 · 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'étudeObservationnel
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

Citations48
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueClinical EpigeneticsMême sujetEpigenetics and DNA MethylationTravaux en français237 207