Rare variants in IFFO1, DTNB, NLRC3 and SLC22A10 associate with Alzheimer’s disease CSF profile of neuronal injury and inflammation
Notice bibliographique
Résumé
Alzheimer's disease (AD) biomarkers represent several neurodegenerative processes, such as synaptic dysfunction, neuronal inflammation and injury, as well as amyloid pathology. We performed an exome-wide rare variant analysis of six AD biomarkers (β-amyloid, total/phosphorylated tau, NfL, YKL-40, and Neurogranin) to discover genes associated with these markers. Genetic and biomarker information was available for 480 participants from two studies: EMIF-AD and ADNI. We applied a principal component (PC) analysis to derive biomarkers combinations, which represent statistically independent biological processes. We then tested whether rare variants in 9576 protein-coding genes associate with these PCs using a Meta-SKAT test. We also tested whether the PCs are intermediary to gene effects on AD symptoms with a SMUT test. One PC loaded on NfL and YKL-40, indicators of neuronal injury and inflammation. Four genes were associated with this PC: IFFO1, DTNB, NLRC3, and SLC22A10. Mediation tests suggest, that these genes also affect dementia symptoms via inflammation/injury. We also observed an association between a PC loading on Neurogranin, a marker for synaptic functioning, with GABBR2 and CASZ1, but no mediation effects. The results suggest that rare variants in IFFO1, DTNB, NLRC3, and SLC22A10 heighten susceptibility to neuronal injury and inflammation, potentially by altering cytoskeleton structure and immune activity disinhibition, resulting in an elevated dementia risk. GABBR2 and CASZ1 were associated with synaptic functioning, but mediation analyses suggest that the effect of these two genes on synaptic functioning is not consequential for AD 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 | 0,000 | 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 ».