Using omics data and genome editing methods to decipher GWAS loci associated with coronary artery disease
Notice bibliographique
Résumé
Coronary artery disease (CAD) is due to atherosclerosis, a pathophysiological process that involves several cell-types and results in the accumulation of lipid-rich plaque that disrupt the normal blood flow through the coronary arteries to the heart. Genome-wide association studies have identified 1000s of genetic variants robustly associated with CAD or its traditional risk factors (e.g. blood pressure, blood lipids, type 2 diabetes, smoking). However, gaining biological insights from these genetic discoveries remain challenging because of linkage disequilibrium and the difficulty to interpret the functions of non-coding regulatory elements in the human genome. In this review, we present different statistical methods (e.g. Mendelian randomization) and molecular datasets (e.g. expression or protein quantitative trait loci) that have helped connect CAD-associated variants with genes, biological pathways, and cell-types or tissues. We emphasize that these various strategies make predictions, which need to be validated in orthologous systems. We discuss specific examples where the integration of omics data with GWAS results has prioritized causal CAD variants and genes. Finally, we review how targeted and genome-wide genome editing experiments using the CRISPR/Cas9 toolbox have been used to characterize new CAD genes in human cells. Researchers now have the statistical and bioinformatic methods, the molecular datasets, and the experimental tools to dissect comprehensively the loci that contribute to CAD risk in humans.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».