The relationship between single nucleotide polymorphisms and skin cancer susceptibility: A systematic review and network meta-analysis
Notice bibliographique
Résumé
Background Single nucleotide polymorphisms (SNPs) interfere with the function of certain genes and thus may influence the probability of skin cancer. The correlation between SNPs and skin cancer (SC) lacks statistical power, however. Therefore, the purpose of this study was to identify the gene polymorphisms involved in skin cancer susceptibility using network meta-analysis and to determine the relationship between SNPs and SC risk. Methods PubMed, Embase, and Web of Science were searched for articles including “SNP” and different types of SC as keywords between January 2005 and May 2022. The Newcastle-Ottawa Scale was used to assess bias judgments. The odds ratio (ORs) and their 95% confidence intervals ( CIs ) were determined to estimate heterogeneity within and between studies. Meta-analysis and network meta-analysis were carried out to identify the SNPs associated with SC. The P -score of each SNP was compared to obtain the rank of probability. Subgroup analyses were performed by cancer type. Results A total of 275 SNPs from 59 studies were included in the study. Two subgroup SNP networks using the allele model and dominant model were analyzed. The alternative alleles of rs2228570 (FokI) and rs13181 (ERCC2) were the first-ranking SNPs in both subgroups one and two of the allele model, respectively. The homozygous dominant genotype and heterozygous genotype of rs475007 in subgroup one and the homozygous recessive genotype of rs238406 in subgroup two were most likely to be associated with skin cancer based on the dominant model. Conclusions According to the allele model, SNPs FokI rs2228570 and ERCC2 rs13181 and, according to the dominant model, SNPs MMP1 rs475007 and ERCC2 rs238406 are closely linked to SC risk.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».