Association of tumor necrosis factor α (rs1800629) and interleukin-10 (rs1800896) gene polymorphisms with systemic lupus erythematosus: a meta-analysis
Notice bibliographique
Résumé
Introduction: Systemic lupus erythematosus (SLE) is a complex autoimmune disease influenced by genetic, environmental, and immunological factors. Variations in cytokine genes, including tumor necrosis factor α (TNF-α) and interleukin-10 (IL-10), have been implicated in SLE pathogenesis, but their associations remain uncertain owing to conflicting study results. Material and methods: A systematic search of the Google Scholar, PubMed, and Embase databases was conducted to examine TNF-α (rs1800629) and IL-10 (rs1800896) polymorphisms in SLE. Eligible studies were selected based on specific inclusion criteria, and data were independently extracted. Quality assessment was performed using the Newcastle-Ottawa Scale, and the Hardy-Weinberg equilibrium was evaluated. Meta-analyses were conducted using Cochrane Rob Tool 2 and Review Manager version 5.4 to determine odds ratios and 95% confidence intervals. Results: According to the meta-analysis, a significant association was found between SLE risk and TNF-α-308 G/A polymorphism in allelic, dominant, and heterozygote models. However, no association was found between homozygous and recessive models. Interleukin-10 polymorphisms were not significantly associated with SLE risk in any model. Ethnicity-specific analysis revealed a significant association between the TNF-α allele and SLE susceptibility in Asian populations but not in Caucasians. Conclusions: This meta-analysis identified a strong correlation between the TNF-α-308 G/A polymorphism and SLE susceptibility, particularly in Asian populations. However, no association was found between IL-10 polymorphisms and SLE. More extensive studies with diverse populations are required to validate and enhance these findings.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,027 | 0,005 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».