Ethnic differences of genetic risk and smoking in lung cancer: two prospective cohort studies
Notice bibliographique
Résumé
Abstract Background The relative risk of smoking on lung cancer have been reported to be much higher in white population than that in East Asians. However, it’s unknown whether genetic background underlies this disparity between ethnic groups. To assess the role of ethnic differences in genetic factors associated with this phenomenon. Methods We first constructed ethnic-specific polygenic risk scores (PRSs) to quantify individual genetic risk of lung cancer in Chinese and white populations. Then, we compared genetic risk and smoking as well as their interactions on lung cancer between two cohorts, including the China Kadoorie Biobank (CKB) and the UK Biobank (UKB). We also evaluated the absolute risk reduction over a 5-year period. Results 19 SNPs and 23 SNPs were identified to construct the PRSs in Chinese and white populations, and smoking-related loci were only included in white populations. The PRSs were consistently associated with lung cancer risk respectively, but stronger associations were observed in smokers of the UKB (HR 1.26 versus 1.15, P =0.028). A significant interaction between genetic risk and smoking on lung cancer was observed in the UKB (RERI, 11.39 [95% CI, 7.01-17.94]), but not in the CKB. By comparing heavy smokers with nonsmokers, a greater absolute risk reduction was found in the UKB (10.95 versus 7.12 per 1000 person-years, P <0.001), especially for those at high genetic risk. Conclusions In China, tobacco control alone is not enough to reduce the burden of lung cancer, and comprehensive policies should be made to lower its high incidence.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».