Large-scale genome-wide association study of food liking reveals genetic determinants and genetic correlations with distinct neurophysiological traits
Notice bibliographique
Résumé
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».