The role of liver fat in cardiometabolic diseases is highlighted by genome-wide association study of MRI-derived measures of body composition
Notice bibliographique
Résumé
Abstract Background & Aims Obesity and associated morbidities, metabolic associated liver disease (MAFLD) included, constitute some of the largest public health threats worldwide. Body composition and related risk factors are known to be heritable and identification of their genetic determinants may aid in the development of better prevention and treatment strategies. Recently, large-scale whole-body MRI data has become available, providing more specific measures of body composition than anthropometrics such as body mass index. Here, we aimed to elucidate the genetic architecture of body composition, by conducting the first genome-wide association study (GWAS) of these MRI-derived measures. Methods We ran both univariate and multivariate GWAS on fourteen MRI-derived measurements of adipose and muscle tissue distribution, derived from scans from 34,036 White European UK Biobank participants (mean age of 64.5 years, 51.5% female). Results Through multivariate analysis, we discovered 108 loci with distributed effects across the body composition measures and 256 significant genes primarily involved in immune system functioning. Liver fat stood out, with a highly discoverable and oligogenic architecture and the strongest genetic associations. Comparison with 21 common cardiometabolic traits revealed both shared and specific genetic influences, with higher mean heritability for the MRI measures (h 2 =.25 vs. .16, p=1.4×10 −6 ). We found substantial genetic correlations between the body composition measures and a range of cardiometabolic diseases, with the strongest correlation between liver fat and type 2 diabetes (r g =.48, p=1.6×10 −22 ). Conclusions These findings show that MRI-derived body composition measures complement conventional body anthropometrics and other biomarkers of cardiometabolic health, highlighting the central role of liver fat, and improving our knowledge of the genetic architecture of body composition and related diseases.
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 | 0,003 |
| 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 | 0,000 | 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 ».