MétaCan
Menu
Retour à la cohorte
Enregistrement W4280594364 · doi:10.3389/fnins.2022.862315

A Role for Gene-Environment Interactions in Autism Spectrum Disorder Is Supported by Variants in Genes Regulating the Effects of Exposure to Xenobiotics

2022· article· en· W4280594364 sur OpenAlexfundno aff
João Xavier Santos, Célia Rasga, Ana Rita Marques, Hugo Martiniano, Muhammad Asif, Joana Vilela, Guiomar Oliveira, Lisete Sousa, Ana Nunes, Astrid M. Vicente

Notice bibliographique

RevueFrontiers in Neuroscience · 2022
Typearticle
Langueen
DomaineNeuroscience
ThématiqueAutism Spectrum Disorder Research
Établissements canadiensnon disponible
Organismes subventionnairesFundação para a Ciência e a TecnologiaNational Institute of Mental HealthMedical Research CouncilNational Institutes of HealthUniversidade de LisboaAutism SpeaksSimons Foundation Autism Research InitiativeCanadian Institutes of Health ResearchGenome CanadaSimons Foundation
Mots-clésXenobioticGeneIn silicoToxicogenomicsGeneticsBiologyComputational biologyContext (archaeology)Candidate geneAutism spectrum disorderAutismGene expressionMedicineBiochemistryEnzymePsychiatry

Résumé

récupéré en direct d'OpenAlex

Heritability estimates support the contribution of genetics and the environment to the etiology of Autism Spectrum Disorder (ASD), but a role for gene-environment interactions is insufficiently explored. Genes involved in detoxification pathways and physiological permeability barriers (e.g., blood-brain barrier, placenta and respiratory airways), which regulate the effects of exposure to xenobiotics during early stages of neurodevelopment when the immature brain is extremely vulnerable, may be particularly relevant in this context. Our objective was to identify genes involved in the regulation of xenobiotic detoxification or the function of physiological barriers (the XenoReg genes) presenting predicted damaging variants in subjects with ASD, and to understand their interaction patterns with ubiquitous xenobiotics previously implicated in this disorder. We defined a panel of 519 XenoReg genes through literature review and database queries. Large ASD datasets were inspected for in silico predicted damaging Single Nucleotide Variants (SNVs) ( N = 2,674 subjects) or Copy Number Variants (CNVs) ( N = 3,570 subjects) in XenoReg genes. We queried the Comparative Toxicogenomics Database (CTD) to identify interaction pairs between XenoReg genes and xenobiotics. The interrogation of ASD datasets for variants in the XenoReg gene panel identified 77 genes with high evidence for a role in ASD, according to pre-specified prioritization criteria. These include 47 genes encoding detoxification enzymes and 30 genes encoding proteins involved in physiological barrier function, among which 15 are previous reported candidates for ASD. The CTD query revealed 397 gene-environment interaction pairs between these XenoReg genes and 80% (48/60) of the analyzed xenobiotics. The top interacting genes and xenobiotics were, respectively, CYP1A2 , ABCB1 , ABCG2 , GSTM1 , and CYP2D6 and benzo-(a)-pyrene, valproic acid, bisphenol A, particulate matter, methylmercury, and perfluorinated compounds. Individuals carrying predicted damaging variants in high evidence XenoReg genes are likely to have less efficient detoxification systems or impaired physiological barriers. They can therefore be particularly susceptible to early life exposure to ubiquitous xenobiotics, which elicit neuropathological mechanisms in the immature brain, such as epigenetic changes, oxidative stress, neuroinflammation, hypoxic damage, and endocrine disruption. As exposure to environmental factors may be mitigated for individuals with risk variants, this work provides new perspectives to personalized prevention and health management policies for ASD.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,481
Score d'incertitude au seuil0,789

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,260
Écart entre enseignants0,248 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations38
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in NeuroscienceMême sujetAutism Spectrum Disorder ResearchTravaux en français237 207