MétaCan
Menu
Retour à la cohorte
Enregistrement W3087017851 · doi:10.1212/wnl.0000000000010914

<i>C9orf72</i> , age at onset, and ancestry help discriminate behavioral from language variants in FTLD cohorts

2020· article· en· W3087017851 sur OpenAlexfundno aff
Beatrice Costa, Claudia Manzoni, Manuel Bernal-Quirós, Demis A. Kia, Miquel Aguilar, Ignacio Álvarez, Victoria Álvarez, Ole A. Andreassen, Maria Anfossi, Silvia Bagnoli, Luisa Benussi, Livia Bernardi, Giuliano Binetti, D. Blackburn, Merçé Boada, Barbara Borroni, Lucy Bowns, Geir Bråthen, Amalia C. Bruni, Huei‐Hsin Chiang, Jordi Clarimón, Shuna Colville, Maria Elena Conidi, Carlos Cruchaga, Chiara Cupidi, Maria Elena Di Battista, Janine Diehl‐Schmid, Mónica Díez-Fairén, Oriol Dols‐Icardo, Elisabetta Durante, Dušan Flisar, Francesca Frangipane, Daniela Galimberti, Maura Gallo, Maurizio Gallucci, Roberta Ghidoni, Caroline Graff, Jordan Grafman, Murray Grossman, John Hardy, Isabel Hernández, Guy Holloway, Edward D. Huey, Ignacio Illán‐Gala, Anna Karydas, Behzad Khoshnood, Milica G. Kramberger, Mark Kristiansen, Patrick A. Lewis, Alberto Lleó, Gaganjit K. Madhan, Raffaele Maletta, Aleš Maver, Manuel Menéndez‐González, Graziella Milan, Bruce L. Miller, Merel O. Mol, Parastoo Momeni, Sonia Moreno–Grau, Christopher M. Morris, Benedetta Nacmias, Christer Nilsson, Valeria Novelli, Linn Öijerstedt, Alessandro Padovani, Suvankar Pal, Yasmin Panchbhaya, Pau Pástor, Borut Peterlin, Irene Piaceri, Stuart Pickering‐Brown, Yolande A.L. Pijnenburg, Annibale Alessandro Puca, Innocenzo Rainero, Antonella Rendina, Anna Richardson, Ekaterina Rogaeva, Boris Rogelj, Sara Rollinson, Giacomina Rossi, Carola Roßmeier, James B. Rowe, Elisa Rubino, Agustı́n Ruiz, Raquel Sánchez‐Valle, Sigrid Botne Sando, Alexander Santillo, Jennifer A. Saxon, Elio Scarpini, María Serpente, Nicoletta Smirne, Sandro Sorbi, EunRan Suh, Fabrizio Tagliavini, J. C. Thompson, John Q. Trojanowski, Vivianna M. Van Deerlin, Julie van der Zee, Christine Van Broeckhoven, Jeroen van Rooij, John C. van Swieten, Arianna Veronesi, Emilia Vitale, Maria Landqvist Waldö, Cathy E. Woodward, Jennifer S. Yokoyama, Valentina Escott‐Price, James M. Polke, Raffaele Ferrari

Notice bibliographique

RevueNeurology · 2020
Typearticle
Langueen
DomaineNeuroscience
ThématiqueNeurobiology of Language and Bilingualism
Établissements canadiensnon disponible
Organismes subventionnairesNIHR Cambridge Biomedical Research CentreNIHR Newcastle Biomedical Research CentreEuropean Regional Development FundInstituto de Salud Carlos IIINational Institutes of HealthMedical Research CouncilDemensfondenGrifolsNewcastle UniversityInnovative Medicines InitiativeUniversiteit AntwerpenVlaamse regeringNorges ForskningsrådNational Institute of Mental HealthStockholms Läns LandstingJavna Agencija za Raziskovalno Dejavnost RSEisaiVetenskapsrådetAlzheimer's SocietyMinistero della SaluteNasjonalforeningen for FolkehelsenFonds Wetenschappelijk OnderzoekUniversity College London Hospitals NHS Foundation TrustEuropean CommissionUK Dementia Research InstituteEuropean Federation of Pharmaceutical Industries and AssociationsUniversity College LondonWellcome TrustConsortium canadien en neurodégénérescence associée au vieillissementNational Institute on AgingNational Institute for Health and Care ResearchKarolinska InstitutetEU Joint Programme – Neurodegenerative Disease ResearchBiogen
Mots-clésC9orf72Age of onsetPsychologyMedicineGerontologyDementiaPathologyFrontotemporal dementiaDisease

Résumé

récupéré en direct d'OpenAlex

Objective We sought to characterize C9orf72 expansions in relation to genetic ancestry and age at onset (AAO) and to use these measures to discriminate the behavioral from the language variant syndrome in a large pan-European cohort of frontotemporal lobar degeneration (FTLD) cases. Methods We evaluated expansions frequency in the entire cohort (n = 1,396; behavioral variant frontotemporal dementia [bvFTD] [n = 800], primary progressive aphasia [PPA] [n = 495], and FTLD–motor neuron disease [MND] [n = 101]). We then focused on the bvFTD and PPA cases and tested for association between expansion status, syndromes, genetic ancestry, and AAO applying statistical tests comprising Fisher exact tests, analysis of variance with Tukey post hoc tests, and logistic and nonlinear mixed-effects model regressions. Results We found C9orf72 pathogenic expansions in 4% of all cases (56/1,396). Expansion carriers differently distributed across syndromes: 12/101 FTLD-MND (11.9%), 40/800 bvFTD (5%), and 4/495 PPA (0.8%). While addressing population substructure through principal components analysis (PCA), we defined 2 patients groups with Central/Northern (n = 873) and Southern European (n = 523) ancestry. The proportion of expansion carriers was significantly higher in bvFTD compared to PPA (5% vs 0.8% [p = 2.17 × 10−5; odds ratio (OR) 6.4; confidence interval (CI) 2.31–24.99]), as well as in individuals with Central/Northern European compared to Southern European ancestry (4.4% vs 1.8% [p = 1.1 × 10−2; OR 2.5; CI 1.17–5.99]). Pathogenic expansions and Central/Northern European ancestry independently and inversely correlated with AAO. Our prediction model (based on expansions status, genetic ancestry, and AAO) predicted a diagnosis of bvFTD with 64% accuracy. Conclusions Our results indicate correlation between pathogenic C9orf72 expansions, AAO, PCA-based Central/Northern European ancestry, and a diagnosis of bvFTD, implying complex genetic risk architectures differently underpinning the behavioral and language variant syndromes.

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)0,002
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 enseignants0,006
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
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 Opus0,053
Tête enseignante GPT0,303
Écart entre enseignants0,250 · 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

Citations10
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeurologyMême sujetNeurobiology of Language and BilingualismTravaux en français237 207