An observational investigation of gene-diet interactions on obesity outcomes
Bibliographic record
Abstract
Contexte : L’alimentation peut modérer la susceptibilité génétique à l’obésité, mais les données probantes existantes sont incohérentes. Cette thèse vise à faire progresser la compréhension des interactions entre les gènes et l’alimentation sur le risque polygénique d’obésité. À cet effet, des synthèses de la littérature existante traitant des interactions entre le score de risque polygénique (SRP) et l’alimentation ont été réalisées, et des études d’interaction génome-environnement à l’échelle du génome (GWEIS) ont été menées afin d’identifier les variants génétiques interagissant avec l’alimentation sur l’indice de masse corporelle (IMC). Méthodologie : Dans les Manuscrits 1 et 2, une recherche systématique a été menée dans MEDLINE, EMBASE, Web of Science et Cochrane Library afin d’identifier des études observationnelles examinant les interactions SRP-régime alimentaire sur des résultats liés à l’obésité. Les expositions alimentaires étudiées comprenaient la qualité et les profils alimentaires, les apports en aliments, en boissons, et en nutriments. Des méta-analyses à effets aléatoires ont ensuite été effectuées afin de regrouper les coefficients d’interaction relatifs à l’IMC et au tour de taille (TT). Dans les manuscrits 3 et 4, des GWEIS axées sur l’IMC ont été réalisées à l’aide de modèles mixtes linéaires, à partir des données de la UK Biobank qui inclut des participants britanniques blancs avec au moins un rappel alimentaire de 24 heures (n = 135 500). Les expositions alimentaires étudiées comprenaient l'Alternative Healthy Eating Index (AHEI) et ses onze composantes. Les statistiques sommaires des GWEIS ont été utilisées pour effectuer des analyses pangénomiques basées sur les gènes, des analyses par ensembles de gènes, ainsi que des analyses d’enrichissement tissulaire à l’aide de l’outil MAGMA. Résultats : Le Manuscrit 1 (36 études) a montré que les scores alimentaires et les groupes d’aliments et boissons n’ont pas produit de résultats concluants. Toutefois, la qualité globale de l’alimentation s’est néanmoins dégagée comme un modérateur potentiel : la méta-analyse a montré qu’un Healthy Eating Index (HEI) plus élevé atténuait la susceptibilité polygénique à l’IMC et au TT. Le Manuscrit 2 (26 études) a examiné les SRP-nutriments interactions, sans résultats probants, bien que certaines catégories de lipides aient été le plus souvent rapportées comme interagissant avec le SRP. Les méta-analyses n’ont mis en évidence aucune interaction significative entre le SRP et la consommation totale de lipides ou de protéines sur l’IMC. La GWEIS du Manuscrit 3 a identifié deux polymorphismes mononucléotidiques rares (SNP) interagissant avec l’AHEI sur l’IMC, atteignant la significativité pangénomique (p < 5×10-8). Avec un seuil assoupli, 55 SNP (p < 1×10-5) et 5 001 SNP (p < 1×10-3) ont été détectés. L’analyse par ensembles de gènes a identifié un ensemble de gènes associé à une voie de réparation de l’ADN. L’étude GWEIS du Manuscrit 4, portant sur les différentes composantes de l’AHEI, a identifié 10 SNP atteignant la significativité pangénomique pour cinq de ces composantes. L’analyse par ensembles de gènes sur la consommation d’oméga-3 a mis en évidence un ensemble de gènes impliqué dans la voie de mobilisation cellulaire du calcium. L’analyse d’enrichissement tissulaire a révélé un enrichissement dans les tissus cérébraux des ganglions dans le cadre de la consommation de céréales complètes. Conclusion : Les données observationnelles suggèrent que certains facteurs alimentaires peuvent moduler le risque polygénique d’obésité, mais les résultats globaux demeurent contradictoires. Les GWEIS ont révélé de nouveaux SNP qui interagissent avec l’alimentation sur l’IMC, sans association directe avec l’IMC. Davantage d’études auprès de populations plus larges et diversifiées sont nécessaires pour examiner les loci génétiques qui interagissent avec l’alimentation et influencent le risque d’obésité dans différents groupes ethniques.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".