HLA-D and PLA2R1 risk alleles associate with recurrent primary membranous nephropathy in kidney transplant recipients
Notice bibliographique
Résumé
Recurrence of primary membranous nephropathy after transplantation occurs in up to 44% of patients and is driven by PLA2R antibody. Here, we asked whether genetic determinants could improve risk prediction. First, we sequenced PLA2R1 and HLA-D loci in 248 patients with primary membranous nephropathy and identified two independent single nucleotide polymorphisms (SNPs) at risk for primary membranous nephropathy at each locus. These were rs9271188 (intergenic between HLA-DRB1 and HLA-DQA1,) and rs9275086 (intergenic between HLA-DQB1 and HLA-DQA2) at the HLA-D locus along with rs6726925 and rs13018963 at the PLA2R1 locus. Then we investigated whether primary membranous nephropathy at-risk variants were associated with recurrence in a retrospective cohort of 105 donor-recipient pairs and a replication cohort of 40 pairs. Seven SNPs located between HLA-DRB1 and HLA-DQA1 in linkage disequilibrium with rs9271188, and three SNPs in the PLA2R1 region predicted recurrence when presented by the donor, but not when presented by the recipient. The two SNPs in the HLA-D region most strongly associated with recurrence (rs9271705 and rs9271550) were confirmed in the replication cohort. A genetic risk score based on the two best predictors at each locus (rs9271705, rs9271550, rs17830558, and rs3828323) identified a group of patients with high risk of recurrence. Thus, our results suggest that the graft contributes to recurrence of primary membranous nephropathy through the disease susceptibility HLA-D and PLA2R1 SNPs in an autoimmune milieu. Further studies are needed before implementation of genetic testing for these in donor selection.
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 ».