P2-15 Genetic polymorphisms of innate immunity-related inflammatory pathways and their association with factors related to type 2 diabetes
Notice bibliographique
Résumé
Introduction Type 2 diabetes mellitus (T2DM) has been linked to a state of chronic inflammation due to innate immunity. Serum levels of pro-inflammatory cytokines are elevated in the early stages of T2DM and increase with disease progression. Genetic variation can affect the innate immune response to environmental factors, and may determine an individual's risk of disease. Methods We conducted a cross-sectional study in 7384 subjects from the TwinsUK Registry to evaluate the association between 18 single nucleotide polymorphisms (SNPs) in five genes (TLR4, IL1A, IL6, TNFA, and CRP) along the innate immunity-related inflammatory pathway and biomarkers of predisposition to T2DM [fasting insulin and glucose, HDL- and LDL- cholesterols, triglycerides (TGs), amyloid-A, sensitive C reactive protein (sCRP) and vitamin D binding protein (VDBP) and body mass index (BMI)]. Results Of the 18 SNPs examined (18 SNPs with 9 phenotypes), 14 were significantly associated with a metabolic risk factors for T2D (P£0.0027). Fasting insulin was associated with SNPs in IL6, TLR4 and TNFA, whereas serum LDL-C was associated with variants of IL1A and IL6. Serum CRP level was associated with SNPs in IL1A, IL6, TLR4 and CRP. Correlation among the different factors related to risk of T2DM showed a significant (p<0.0001) positive correlation between BMI and glucose (r=0.22), insulin (r=0.23), amyloid-A (r=0.23), sCRP (r=0.37), LDL-C (r=0.09) and TGs (r=0.32). Conclusion Genetic variants in the innate immunity pathway are associated with biomarkers of T2DM and metabolic syndrome, an observation that may provide a rationale for studying their use in early disease risk prediction.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 |
| 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 ».