Nicotine metabolism and its association with CYP2A6 genotype among Indigenous people in Alaska who smoke
Notice bibliographique
Résumé
Abstract Prevalence of smoking is higher in Alaska Native and American Indian (ANAI) populations living in Alaska than the general US population. Genetic factors contribute to smoking and cessation rates. The objective of this study was to compare CYP2A6 genetic variation and CYP2A6 enzyme activity toward nicotine in an ANAI population. ANAI ( N = 151) people trying to quit smoking were recruited. DNA samples were genotyped for CYP2A6 variants *1X2A , *1B , *2 , *4 , *9 , *10 , *12 , and *35 . Multiple nicotine metabolites were measured in plasma and urine samples, including cotinine and 3′‐hydroxycotinine used to determine CYP2A6 activity (e.g., nicotine metabolite ratio [NMR]). We calculated summary statistics for all of the genotypes and metabolites and assigned CYP2A6 activity scores based on known information. We studied the association of CYP2A6 variants with the NMR and smoking histories. The overall frequency of the CYP2A6*1B gain of function allele was high in the ANAI versus non‐ANAI populations in other studies. Both *4 null and *9 decrease of function alleles had frequencies similar to previous studies of ANAI populations. In a multivariate analysis, the genotype‐inferred CYP2A6 activity score was associated with both plasma and urine NMR ( p value = 8.56E‐08 and 4.08E‐13, respectively). Plasma NMR was also associated with duration of smoking ( p value < 0.01) but not urinary total nicotine equivalents uncorrected for creatinine (TNE9 uc ) or biological sex. Urine NMR was significantly associated ( p value < 0.01) with TNE9 uc . Variation in NMR in this ANAI population is explained in part by CYP2A6 genetic variation.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».