Convergence of biomarkers and risk factor trait loci of coronary artery disease at 3p21.31 and HLA region
Notice bibliographique
Résumé
Here we seek to identify molecular biomarkers that mediate the effect of risk factors on coronary artery disease (CAD). We perform a SNP-based multiomics data analysis to find biomarkers (probes) causally associated with the risk of CAD within known genomic loci for its risk factors. We identify 78 biomarkers, the majority (64%) of which are methylation probes. We detect the convergence of several CNS and lifestyle trait loci and their biomarkers at the 3p21.31 and human leukocyte antigen (HLA) regions. The 3p21.31 locus was the most populated region in the convergence of biomarkers and risk factors. In this region, we noted as the BSN gene becomes methylated the level of stomatin (STOM) in blood increases and this contributes to higher risk of CAD. In the HLA locus, we identify several methylation biomarkers associated with various CAD risk factors. SNPs in the CFB gene display a trans-regulatory impact on the GRIA4 protein level. A methylation site upstream of the APOE gene is associated with a higher protein level of S100A13 which in turn leads to higher LDL-C and greater CAD risk. We find UHRF1BP1 and ILRUN mediate the effect of obesity on CAD whereas methylation sites within NOS3 and CKM mediate the effect of their associated-risk factors on CAD. This study provides further insight into the biology of CAD and identifies a list of biomarkers that mediate the impact of risk factors on CAD. A SNP-based initiative can unite data from various fields of omics into a single network of knowledge.
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 ».