L’impact du taux de fer dans le sang sur les maladies cardiovasculaires et neurodégénératives
Bibliographic record
Abstract
Le fer joue un rôle crucial dans de nombreuses fonctions biologiques et est indispensable au fonctionnement optimal du corps, tant au niveau systémique que cellulaire. Des études ont rapporté des associations entre des taux de fer anormaux et certaines maladies cardiovasculaires (MCV) et neurodégénératives (MND). Toutefois, la direction de l’influence de ces associations n’est pas clairement identifiée. Dans ce projet, nous utilisons des données génétiques sommaires et des méthodes statistiques et computationnelles pour élucider le lien entre le taux de fer et certaines MCV et MND. Nous avons effectué une méta-analyse des résultats de plusieurs études de cohortes sur les taux de fer dans le sang, évaluant les corrélations génétiques et l’effet causal du taux de fer sur 11 traits MCV et MND en utilisant la randomisation mendéliennes (RM). Nous avons identifié des corrélations génétiques globales significatives entre le fer sérique et 4 traits : les lipoprotéines à haute densité (HDL), les triglycérides, la maladie coronarienne et l'insuffisance cardiaque, ainsi que 194 régions génomiques présentant des corrélations locales significatives. Les analyses de RM suggèrent un rôle protecteur du fer sérique sur le métabolisme lipidique, en particulier sur le cholestérol total et le cholestérol non HDL. De plus, les analyses stratifiées par sexe indiquent un potentiel rôle protecteur du fer contre la maladie de Parkinson chez les femmes. Les résultats de ce projet permettront de développer nos connaissances sur les bases génétiques qui sous-tend le taux de fer et les MCV et MND, ouvrant ainsi la voie à de nouvelles interventions préventives et thérapeutiques pour ces maladies.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.011 | 0.022 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.006 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".