Shared genetic architecture of brain age gap across 30 cohorts worldwide
Notice bibliographique
Résumé
Deviations from normative brain ageing trajectories are linked to a wide range of adverse health outcomes. A number of brain age prediction models have been developed, based on various neuroimaging modalities, machine learning algorithms, training samples, and age ranges. However, it remains unknown whether these models converge on a shared genetic liability, and whether capturing this shared signal could provide a more sensitive marker of brain health than any single model alone. We first conducted a new brain age gap (BAG) GWAS in a sample of 60,735 individuals across 29 cohorts worldwide, and then applied genomic structural equation modelling to examine the shared genetic variance between five prior BAG GWASs and our new analysis, using a single latent BAG factor (30 cohorts overall). All six BAG GWASs loaded onto a single factor, explaining 63% of the total genetic variance. We identified 19 independent SNPs associated with the BAG factor, including four novel associations. Genetically, the BAG factor was positively correlated with multiple traits, with blood pressure, smoking, longevity, autism, and sleep showing putatively causal effects. A polygenic score (PGS) for the BAG factor showed associations with phenotypic BAGs already in childhood, with stronger links observed in adulthood. Phenome-wide association analyses indicated that BAG factor PGS captured associations with more health traits than individual BAG PGSs. Our findings underscore the importance of considering the shared variance across different BAG constructs to identify robust correlates of poor brain health.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».