Kliniczne czynniki ryzyka, warianty DNA i rozwój cukrzycy typu 2 cd

Genotypowanie przeprowadzono z użyciem spektrometrii masowej z udziałem desorpcji i jonizacji laserowej wspomaganej matrycą czasu przelotu na platformie Massarray (Seąuenom) 23 dla rs7903146, rs1801282, rs5219, rs7754840 i rs10811661; z metodą allelicznego testu rozróżniania po projekcie na ABI 7900 (Applied Biosystems) dla rs4402960, rs9939609, rs10010131, rs1111875, rs864745, rs12779790, rs7961581, rs7578597, rs4607103 i rs10923931; oraz z testem specyficznym dla allelu (KASPar, KBioscience) dla rs13266634. Uzyskaliśmy średnią skuteczność powodzenia genotypowania ponad 95% i średnią dokładność genotypowania ponad 98% poprzez regenotypowanie 11% próbek przy użyciu platformy Sequenom. Wszystkie SNP były w równowadze Hardy ego-Weinberga (P> 0,001), z wyjątkiem rs864745 w genie JAZF1 (P = 0,001). Błędy genotypowania stanowią mało prawdopodobne wyjaśnienie tego odkrycia, ponieważ przy genotypowaniu 2416 próbek (15%) rs864745 przy użyciu dwóch różnych metod (dyskryminacja alleli na ABI7900 i Sequenom), współczynnik zgodności wynosił 98,7%. Analiza statystyczna
Zbadaliśmy zdolność predykcyjną czynników klinicznych i określonych polimorfizmów, które genotypowaliśmy jako czynniki ryzyka dla przyszłej cukrzycy typu 2, z wykorzystaniem analizy regresji logistycznej zastosowanej do następujących modeli: po pierwsze, model z wykorzystaniem jednowymiarowych klinicznych czynników ryzyka (z dostosowaniem do wieku i seks); po drugie, model wykorzystujący czynniki osobiste (wiek, płeć, wywiad rodzinny w kierunku cukrzycy i BMI) oraz czynniki kliniczne (wiek, płeć, wywiad rodzinny w kierunku cukrzycy, BMI i poziomy ciśnienia krwi, trójglicerydy i glikemia na czczo), jak stosowane przez Wilsona i in. w Framingham Offspring Study4; po trzecie, model kliniczny, w którym zastąpiliśmy zmienne kliniczne sugerowane przez Wilsona i in. przez pomiar wydzielania insuliny; i po czwarte, model kliniczny z polimorficznymi wariantami genów. Ponieważ mężczyźni i kobiety byli włączani w różnym czasie, dostosowaliśmy się do tego czynnika, stosując okres uczestnictwa (kod 0 lub 1), płeć i okres interakcji (okres uczestnictwa × płeć, który został zakodowany 0 lub 1) jako współzmienne w analizach. .
Poprawienie powierzchni pod krzywymi charakterystycznymi dla odbiornika (ROC) (określane również jako statystyki C) oceniano po dodaniu danych genetycznych do modelu klinicznego.24 Aby potwierdzić, że dodanie danych genetycznych do modeli klinicznych poprawiło prognozowanie ryzyka, przetestowaliśmy zdolność połączonego modelu klinicznego i genetycznego do przeklasyfikowania pacjentów do predefiniowanych kategorii ryzyka na podstawie procentowego prawdopodobieństwa rozwoju cukrzycy typu 2 (<10%, 10 do 20% i> 20%), przy użyciu sieci podejście do ponownej klasyfikacji – 25. Ponieważ ta metoda wymaga wcześniej zdefiniowanych kategorii ryzyka, zastosowaliśmy również inne podejście, bez tego wymogu (tj. metoda zintegrowanej poprawy dyskryminacji) .25
Do pierwszej analizy efektów wariantów polimorficznych DNA wykorzystaliśmy addytywne modele genetyczne. Ponadto przetestowaliśmy dominujące i recesywne modele alternatywne dla najlepszego dopasowania (http://pngu.mgh.harvard.edu/~purcell). Zastosowano wielowymiarowe analizy regresji liniowej w celu przetestowania korelacji między genotypem a fenotypem.26 Zmienne dystrybuowane w warunkach nie-normalnych zostały przekształcone logarytmicznie przed analizą
[hasła pokrewne: przychodnia aksamitna rejestracja, specjal med dobczyce, cena rezonansu magnetycznego ]

Powiązane tematy z artykułem: cena rezonansu magnetycznego przychodnia aksamitna rejestracja specjal med dobczyce