MétaCan
Menu
Retour à la cohorte
Enregistrement W3184408784 · doi:10.1101/2021.07.28.454120

Large-scale genome-wide association study of food liking reveals genetic determinants and genetic correlations with distinct neurophysiological traits

2021· preprint· en· W3184408784 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevuebioRxiv (Cold Spring Harbor Laboratory) · 2021
Typepreprint
Langueen
DomaineNursing
ThématiqueBiochemical Analysis and Sensing Techniques
Établissements canadiensCentre for Global Health Research
Organismes subventionnairesFP7 HealthNational Institute of Mental HealthNational Institutes of HealthAvera Institute for Human GeneticsZonMwUniversity of BristolNorwegian Biodiversity Information CentreMedical Research CouncilKoninklijke Nederlandse Akademie van WetenschappenEuropean CommissionKing's College LondonNational Institute for Health and Care ResearchHorizon 2020 Framework ProgrammeChronic Disease Research FoundationWellcome TrustNederlandse Organisatie voor Wetenschappelijk OnderzoekBritish Heart Foundation
Mots-clésHeritabilityGenetic correlationGenome-wide association studyCorrelationBiologyTwin studyGeneticsFood choiceGenetic associationEvolutionary biologyPsychologyGenetic variationGeneMedicineSingle-nucleotide polymorphism

Résumé

récupéré en direct d'OpenAlex

Abstract Variable preferences for different foods are among the main determinants of their intake and are influenced by many factors, including genetics. Despite considerable twins’ heritability, studies aimed at uncovering food-liking genetics have focused mostly on taste receptors. Here, we present the first results of a large-scale genome-wide association study of food liking conducted on 161,625 participants from UK Biobank. Liking was assessed over 139 specific foods using a 9-point hedonic scale. After performing GWAS, we used genetic correlations coupled with structural equation modelling to create a multi-level hierarchical map of food liking. We identified three main dimensions: high caloric foods defined as “Highly palatable”, strong-tasting foods ranging from alcohol to pungent vegetables, defined as “Learned” and finally “Low caloric” foods such as fruit and vegetables. The “Highly palatable” dimension was genetically uncorrelated from the other two, suggesting that two independent processes underlie liking high reward foods and the Learned/Low caloric ones. Genetic correlation analysis with the corresponding food consumption traits revealed a high correlation, while liking showed twice the heritability compared to consumption. For example, fresh fruit liking and consumption showed a genetic correlation of 0.7 with heritabilities of 0.1 and 0.05, respectively. GWAS analysis identified 1401 significant food-liking associations located in 173 genomic loci, with only 11 near taste or olfactory receptors. Genetic correlation with morphological and functional brain data (33,224 UKB participants) uncovers associations of the three food-liking dimensions with non-overlapping, distinct brain areas and networks, suggestive of separate neural mechanisms underlying the liking dimensions. In conclusion, we created a comprehensive and data-driven map of the genetic determinants and associated neurophysiological factors of food liking beyond taste receptor genes.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,496
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,012
Tête enseignante GPT0,217
Écart entre enseignants0,205 · 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