Dysmaturational Longitudinal Epigenetic Aging During Transition to Psychosis
Notice bibliographique
Résumé
Abstract Psychosis frequently occurs during adolescence and young adulthood, possibly as a result of gene-environment interactions, mediated by epigenetic mechanisms such as DNA methylation. Methylation patterns can be leveraged to predict epigenetic age in order to identify anomalies in aging trajectories that may be associated with the emergence of psychosis. Thus, epigenetic age may provide a measurable surrogate of psychotic risk or psychosis’ emergence, and shed light on the neurodevelopmental model of psychosis. In this study, we present the first longitudinal analysis of epigenetic age trajectory during conversion to psychosis in a population at ultra-high-risk, with available genome-wide methylation DNA at two time points, at baseline and after one year of follow-up (N = 38 × 2). After predicting epigenetic age, we computed epigenetic age gap as the cross-sectional difference between real age and predicted age, and (longitudinal) epigenetic age acceleration as the derivative of predicted age with respect to time. At baseline, future converters were 2.7 years younger than nonconverters and this difference disappeared at follow-up, when some converted to psychosis. This is because during conversion to psychosis, the epigenetic age of converters accelerated by 2.8 years/year compared to nonconverters. This acceleration was robust with a strictly positive 95% confidence interval, and held its significance after adjustment for age, sex, and cannabis intake. The methylation sites most associated with aging were on genes also linked with schizophrenia and neurodevelopmental disorders. This accelerated age trajectory, following a previous deceleration, may therefore reflect dysmaturational processes.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».