The role of epigenetics in multi‐generational transmission of asthma: An <scp>NIAID</scp> workshop report‐based narrative review
Notice bibliographique
Résumé
There is mounting evidence that environmental exposures can result in effects on health that can be transmitted across generations, without the need for a direct exposure to the original factor, for example, the effect of grandparental smoking on grandchildren. Hence, an individual's health should be investigated with the knowledge of cross-generational influences. Epigenetic factors are molecular factors or processes that regulate genome activity and may impact cross-generational effects. Epigenetic transgenerational inheritance has been demonstrated in plants and animals, but the presence and extent of this process in humans are currently being investigated. Experimental data in animals support transmission of asthma risk across generations from a single exposure to the deleterious factor and suggest that the nature of this transmission is in part due to changes in DNA methylation, the most studied epigenetic process. The association of father's prepuberty exposure with offspring risk of asthma and lung function deficit may also be mediated by epigenetic processes. Multi-generational birth cohorts are ideal to investigate the presence and impact of transfer of disease susceptibility across generations and underlying mechanisms. However, multi-generational studies require recruitment and assessment of participants over several decades. Investigation of adult multi-generation cohorts is less resource intensive but run the risk of recall bias. Statistical analysis is challenging given varying degrees of longitudinal and hierarchical data but path analyses, structural equation modelling and multilevel modelling can be employed, and directed networks addressing longitudinal effects deserve exploration as an effort to study causal pathways.
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) | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».