White matter microstructural differences in children and genetic risk for multiple sclerosis: A population-based study
Notice bibliographique
Résumé
Background: MS patients show abnormalities in white matter (WM) on brain imaging, with heterogeneity in the location of WM lesions. The “pothole” method can be applied to diffusion-weighted images to identify spatially distinct clusters of divergent brain WM microstructure. Objective: To investigate the association between genetic risk for MS and spatially independent clusters of decreased or increased fractional anisotropy (FA) in the brain. In addition, we studied sex- and age-related differences. Methods: 3 Tesla diffusion tensor imaging (DTI) data were collected in 8- to 12-year-old children from a population-based study. Global and tract-based potholes (lower FA clusters) and molehills (higher FA clusters) were quantified in 3047 participants with usable DTI data. A polygenic risk score (PRS) for MS was calculated in genotyped individuals ( n = 1087) and linear regression analyses assessed the relationship between the PRS and the number of potholes and molehills, correcting for multiple testing using the False Discovery Rate. Results: The number of molehills increased with age, potholes decreased with age, and fewer potholes were observed in girls during typical development. The MS-PRS was positively associated with the number of molehills (β = 0.9, SE = 0.29, p = 0.002). Molehills were found more often in the corpus callosum (β = 0.3, SE = 0.09, p = 0.0003). Conclusion: Genetic risk for MS is associated with spatially distinct clusters of increased FA during childhood brain development.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».