Association between polygenic risk for Alzheimer’s disease, brain structure and cognitive abilities in UK Biobank.
Notice bibliographique
Résumé
Background and purpose: Previous studies testing associations between polygenic risk for late-onset Alzheimer’s disease (LOAD-PGR) and brain magnetic resonance imaging (MRI) measures have been limited by small samples and inconsistent consideration of potential confounders. This study investigates whether higher LOAD-PGR is associated with differences in structural brain imaging and cognitive values in a relatively large sample of non-demented, generally healthy adults (UK Biobank). Method: Summary statistics were used to create PGR scores for n=32,790 participants using LDpred. Outcomes included 12 structural MRI volumes and 6 concurrent cognitive measures. Models were adjusted for age, sex, body mass index, genotyping chip, 8 principal components, lifetime smoking, apolipoprotein (APOE) e4 genotype and socioeconomic deprivation. We tested for statistical interactions between APOE e4 allele dose and LOAD-PGR vs. all outcomes. Results: In fully adjusted models, LOAD-PGR was associated with worse fluid intelligence (standardised beta [β] = -0.080 per LOAD-PGR standard deviation, p = 0.002), matrix completion (β = -0.102, p = 0.003), smaller left hippocampal total (β = -0.118, p = 0.002) and body (β = -0.069, p = 0.002) volumes, but not other hippocampal subdivisions. There were no significant APOE x LOAD-PGR score interactions for any outcomes in fully adjusted models. Discussion: This is the largest study to date investigating LOAD-PGR and non-demented structural brain MRI and cognition phenotypes. LOAD-PGR was associated with smaller hippocampal volumes and aspects of cognitive ability in healthy adults, and could supplement APOE status in risk stratification of cognitive impairment/LOAD.
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 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».