Leveraging osteoclast genetic regulatory data to identify genes with a role in osteoarthritis
Notice bibliographique
Résumé
There has been a growing interest in the role of the subchondral bone and its resident osteoclasts in the progression of osteoarthritis (OA). A recent genome-wide association study (GWAS) identified 100 independent association signals for OA traits. Most of these signals are led by noncoding variants, suggesting that genetic regulatory effects may drive many of the associations. We have generated a unique human osteoclast-like cell-specific expression quantitative trait locus (eQTL) resource for studying the genetics of bone disease. Considering the potential role of osteoclasts in the pathogenesis of OA, we performed an integrative analysis of this dataset with the recently published OA GWAS results. Summary data-based Mendelian randomization (SMR) and colocalization analyses identified 38 genes with a potential role in OA, including some that have been implicated in Mendelian diseases with joint/skeletal abnormalities, such as BICRA, EIF6, CHST3, and FBN2. Several OA GWAS signals demonstrated colocalization with more than one eQTL peak, including at 19q13.32 (hip OA with BCAM, PRKD2, and BICRA eQTL). We also identified a number of eQTL signals colocalizing with more than one OA trait, including FAM53A, GCAT, HMGN1, MGAT4A, RRP7BP, and TRIOBP. An SMR analysis identified 3 loci with evidence of pleiotropic effects on OA-risk and gene expression: LINC01481, CPNE1, and EIF6. Both CPNE1 and EIF6 are located at 20q11.22, a locus harboring 2 other strong OA candidate genes, GDF5 and UQCC1, suggesting the presence of an OA-risk gene cluster. In summary, we have used our osteoclast-specific eQTL dataset to identify genes potentially involved with the pathogenesis of OA.
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 | 0,001 |
| 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 ».