PubMed دسترسی آزاد

Integrative prediction of Alzheimer's disease and related dementias using multi-omics aging clocks and genetic data.

استودیوی صوتی مقاله

پخش حرفه‌ای فارسی و انگلیسی

در حال بررسی نسخه‌های صوتی ذخیره‌شده…

صوت تولیدشده با هوش مصنوعی است. برای کاربرد علمی یا درمانی، متن و منبع اصلی را بررسی کنید.
خواندن هوشمند فارسی و انگلیسی در حال آماده‌سازی صداهای مرورگر…
تنظیم صدای طبیعی و سرعت

صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده می‌شود معمولاً طبیعی‌ترند. انتخاب صدا به صداهای نصب‌شده در ویندوز و مرورگر شما بستگی دارد.

چکیده اصلی

INTRODUCTION: We tested whether combining Alzheimer's disease and related dementias (ADRD) polygenic risk scores (PRS) with biological aging markers improves ADRD risk prediction. METHODS: In 16,215 UK Biobank (UKB) participants free of ADRD at baseline (median follow-up: 10.08 years), 397 incident diagnoses were identified. Biological aging measures included clinical, telomere, proteomic, and metabolomic aging markers. External validation/replication was performed in TwinGene (N = 3772; 331 cases). RESULTS: The fully integrated model achieved area under the curve (AUC) = 0.90 and area under the precision-recall curve (AUPRC) = 0.24 in the UKB held-out test set. PRS was the strongest predictor (subdistribution hazard ratio [sHR] = 2.24, 95% CI: 2.02-2.48), followed by ProtAge (sHR = 2.01, 95% CI: 1.13-3.58). The top predicted-risk quartile showed higher ADRD incidence (sHR = 16.73, 95% CI: 6.49-43.11). TwinGene showed moderate transportability (AUC = 0.757; AUPRC = 0.223) and preserved risk stratification (sHR = 4.02, 95% CI: 3.25-5.02). DISCUSSION: Integrating PRS and biological aging measures improved ADRD risk stratification.

نتیجه فارسی

این مطالعه نشان می‌دهد که ترکیب امتیاز ریسک چندژنتیک (PRS) و نشانگرهای پیری بیولوژیک، پیش‌بینی ریسک بیماری آلزایمر و اختلالات مرتبط با آن (ADRD) را در یک جمعیت بزرگ بهبود می‌بخشد. مدل پیشنهادی در داده‌های آموزشی عملکرد خوبی داشت و در یک جمعیت دیگر نیز رتبه‌بندی ریسک را حفظ کرد.

  • ترکیب PRS و نشانگرهای پیری بیولوژیک، پیش‌بینی ریسک ADRD را بهبود بخشید.
  • امتیاز ریسک چندژنتیک (PRS) قوی‌ترین پیش‌بینی‌کننده ریسک بود.
  • نشانگرهای پیری پروتئینی (ProtAge) نیز پیش‌بینی‌کننده مهمی بودند.
  • رتبه‌بندی ریسک در یک جمعیت دیگر (TwinGene) حفظ شد.
  • نمونه‌های بزرگ (UKB) و تکرار (TwinGene) برای اعتبار نتایج استفاده شدند.

ترجمه فارسی چکیده

محققان بررسی کردند که آیا ترکیب امتیاز ریسک چندژنتیک (PRS) بیماری آلزایمر و اختلالات مرتبط با آن (ADRD) با نشانگرهای پیری بیولوژیک، پیش‌بینی ریسک ADRD را بهبود می‌بخشد. در ۱۶،۲۱۵ شرکت‌کننده بیو-انبار بریتانیا (UKB) که در پایه بدون ADRD بودند (میانگین پیگیری: ۱۰.۰۸ سال)، ۳۹۷ تشخیص جدید شناسایی شد. نشانگرهای پیری شامل علائم پیری بالینی، تلموز، پروتئومیک و متابولومیک بود. اعتبارسنجی خارجی در TwinGene انجام شد (N = ۳۷۷۲؛ ۳۳۱ مورد). مدل کاملاً یکپارچه، ناحیه زیر منحنی (AUC) = ۰.۹۰ و ناحیه زیر منحنی دقت-بازخوانی (AUPRC) = ۰.۲۴ را در مجموعه تست UKB نشان داد. PRS قوی‌ترین پیش‌بینی‌کننده بود (sHR = ۲.۲۴، ۹۵٪ CI: ۲.۰۲-۲.۴۸)، به دنبال آن ProtAge (sHR = ۲.۰۱، ۹۵٪ CI: ۱.۱۳-۳.۵۸). بالاترین رتبه ریسک پیش‌بینی شده، شیوع بالاتر ADRD را نشان داد (sHR = ۱۶.۷۳، ۹۵٪ CI: ۶.۴۹-۴۳.۱۱). TwinGene نشان‌دهنده انتقال‌پذیری متوسط (AUC = ۰.۷۵۷؛ AUPRC = ۰.۲۲۳) و حفظ رتبه‌بندی ریسک بود (sHR = ۴.۰۲، ۹۵٪ CI: ۳.۲۵-۵.۰۲). ترکیب PRS و نشانگرهای پیری بیولوژیک، رتبه‌بندی ریسک ADRD را بهبود بخشید.

روش پژوهش

این مطالعه یک مطالعه مشاهده‌ای و تحلیلی بود که در آن از داده‌های UK Biobank (N = ۱۶،۲۱۵) و TwinGene (N = ۳۷۷۲) استفاده شد. مدل‌ها با ترکیب امتیاز ریسک چندژنتیک (PRS) و نشانگرهای پیری (شامل بالینی، تلموز، پروتئومیک و متابولومیک) ساخته شدند.

محدودیت‌ها

محدودیت‌های گزارش شده شامل نیاز به اعتبارسنجی بیشتر در جمعیت‌های مختلف و بررسی دقیق‌تر نقش نشانگرهای پیری متابولومیک و تلموز است. همچنین، پیگیری طولانی‌تر ممکن است نتایج را تغییر دهد.

استخراج ساختاریافته از متن منبع

نمای PICO و پیامدها

جمعیت
شرکت‌کنندگان UK Biobank (N = ۱۶،۲۱۵) که در پایه بدون ADRD بودند و شرکت‌کنندگان TwinGene (N = ۳۷۷۲) که شامل موارد ADRD بودند.
مداخله/مواجهه
ترکیب امتیاز ریسک چندژنتیک (PRS) با نشانگرهای پیری بیولوژیک (شامل بالینی، تلموز، پروتئومیک و متابولومیک).
مقایسه
مدل‌های پیش‌بینی ریسک ADRD که فقط از PRS یا فقط از نشانگرهای پیری استفاده می‌کردند.
حجم نمونه
UK Biobank: N = ۱۶،۲۱۵ (۳۹۷ مورد جدید). TwinGene: N = ۳۷۷۲ (۳۳۱ مورد).

متن کامل اصلی

نسخه دارای مجوز در منبع علمی در دسترس است.

لینک مستقیم از metadata منبع گرفته شده و در تب جدید باز می‌شود.

باز کردن متن کامل

کلیدواژه‌ها

Alzheimer's diseasebiological agingdementiametabolomicspolygenic risk scoreproteomics
در همین زیرشاخه

مقاله‌های مرتبط

PubMed2027

Computational Network Analysis for Defining Transcriptional Programs.

Cancer cell identity is governed by coordinated transcriptional programs that are frequently rewired during tumorigenesis. Systematic identification of cancer type-specific gene regulatory networks provides a framework for understanding oncogenic state transitions and for prioritizing candidate therapeutic targets. Here, we present a reproducible network-based workflow for reconstructing and analyzing transcriptional regulatory program…

PubMed2027

Topic-Driven Bibliometrics and Trend Intelligence for Stem Cell and Cancer Research.

The rapid growth of biomedical literature has created an urgent need for computational tools that enable researchers to systematically analyze publication trends, identify emerging research themes, and map the evolution of scientific fields. PubMed Atlas is a command-line and web-enabled workflow for topic-driven bibliometrics and trend intelligence using PubMed E-utilities. The pipeline executes PubMed queries, retrieves matching PMID…

PubMed2026

Nursing Students' Reports of Patient Safety Incidents and Reasons During Clinical Placements: A Secondary Analysis of the International Data.

Clinical placements expose nursing students to patient safety incidents and provide important opportunities for learning about safe care. This study explored how nursing students in four countries recognized and interpreted patient safety incidents encountered or witnessed during clinical practice, including perceived contributing factors. A secondary qualitative content analysis was conducted using narrative data from 1442 undergradua…

PubMed2026

Frequency of Clinically Relevant Drug-Drug Interactions Between Tyrosine Kinase Inhibitors and Proton Pump Inhibitors in Patients With Cancer Using Real-World Data.

BACKGROUND: Proton pump inhibitors (PPIs) raise stomach pH, leading to reduced bioavailability of many tyrosine kinase inhibitors (TKIs), thereby affecting treatment outcomes. To what extent this interaction occurs in clinical practice remains underexplored. OBJECTIVE: To determine the frequency of clinically relevant interactions between TKIs and PPIs in clinical practice and the duration of concomitant prescription. METHODS: A retros…