MétaCan
Menu
← Retour à la cohorte
Enregistrement W4412873193 · doi:10.1101/2025.07.17.25331705

A multi-ancestry polygenic risk score for body mass index predicts longitudinal weight change

2025· preprint· en· W4412873193 sur OpenAlexaff
Tianyuan Lu, Lily Stalter, Kate Lauer, Bret M. Hanlon, Wenmin Zhang, Luke M. Funk

Notice bibliographique

RevuemedRxiv · 2025
Typepreprint
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGenetic Associations and Epidemiology
Établissements canadiensUniversity of Manitoba
Organismes subventionnairesNational Institutes of HealthDivision of Graduate EducationUniversity of Wisconsin-Madison
Mots-clésBody mass indexPolygenic risk scoreIndex (typography)Longitudinal studyDemographyMedicineInternal medicineBiologyStatisticsGeneticsMathematicsSingle-nucleotide polymorphismGenotypeComputer scienceGeneSociology

Résumé

récupéré en direct d'OpenAlex

Abstract Background Identifying individuals at risk for future weight gain is challenging, partly because associations with traditional clinical risk factors may be biased by confounding and reverse causation. Polygenic risk scores (PRS) provide a stable, lifelong measure of genetic predisposition to obesity. However, existing PRS have not been evaluated for their association with longitudinal weight change in adulthood and often lack generalizability across diverse genetic ancestry groups. Methods We conducted ancestry-specific genome-wide association study meta-analyses of body mass index (BMI) in populations of European, African or African American, Admixed American, East Asian, and South Asian ancestries and developed ancestry-specific PRS. A multi-ancestry polygenic risk score (MAPRS) was trained using ancestry-specific PRS in a model selection dataset ( N = 39,685) from the All of Us Research Program (AoU). We evaluated the MAPRS in an independent AoU model evaluation dataset ( N = 158,743) for BMI prediction and in a separate AoU test dataset ( N = 78,219) with repeated measurements over 1.5–2.5 years for weight change prediction. The outcomes included change in BMI and ≥ 10% or ≥ 5% total body weight (TBW) gain. We further examined the relationship between MAPRS and 12 clinical risk factors commonly comorbid with obesity in relation to weight change. Results The MAPRS captured 7.05% of the variance in measured BMI in the AoU model evaluation dataset and demonstrated improved generalizability across all non-European genetic ancestry groups. In the AoU test dataset, conditioned on baseline BMI at the second-to-last measurement, a one SD increase in MAPRS was associated with a 0.16 kg/m 2 increase in future BMI (standard error = 0.012 kg/m 2 ; p -value = 2.2 × 10 –39 ), 1.27-fold increased odds of experiencing ≥ 10% TBW gain (95% CI: 1.24–1.31; p -value = 1.4 × 10 –55 ), and 1.15-fold increased odds of experiencing ≥ 5% TBW gain (95% CI: 1.13–1.18; p -value = 2.8 × 10 –39 ). These associations were observed across all genetic ancestry groups and remained highly consistent after adjustment for any clinical risk factor. In contrast, most clinical risk factors demonstrated inconsistent or weaker associations with weight change outcomes. Conclusions We developed an MAPRS for BMI that represents a robust and generalizable risk factor for longitudinal weight gain in adulthood, providing a foundation for genetically informed risk stratification and earlier, more targeted obesity prevention strategies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,003
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,056
Tête enseignante GPT0,318
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxiv→Même sujetGenetic Associations and Epidemiology→Travaux en français237 207→