La carie dentaire est le résultat d'une interaction complexe entre les facteurs environnementaux, comportementaux et génétiques, avec des motifs distincts de désintégration probablement due à des étiologies spécifiques. Par conséquent, des mesures globales de désintégration, tels que l'indice DSFM, peuvent ne pas être optimal pour identifier les facteurs de risque qui manifestent des modèles de désintégration comme spécifiques, en particulier si les facteurs de risque tels que les loci de susceptibilité génétique ont de petits effets individuels. Nous avons utilisé deux méthodes pour extraire des motifs de dégradation à partir de données de caries au niveau de la surface, afin de générer de nouveaux phénotypes avec pour explorer la régulation génétique de la carie.
Les 128 surfaces de dent de la dentition permanente ont été notés comme cariée ou non par l'examen intra-oral pour 1.068 participants âgés de 18 à 75 ans à partir de 664 familles biologiques. Analyse en composantes principales (ACP) et l'analyse des facteurs (FA), deux méthodes d'identification des motifs sous-jacents sans a priori classifications
Les trois plus fortes tendances des caries identifiées par PCA recapturés variation représentée par l'indice DSFM (corrélation, r = 0,97), fosse et caries de surface de fissure (r = 0,95), et la carie de surface lisse (r = 0,89). Cependant, ensemble, ces trois motifs expliquent que 37% de la variabilité dans les données, ce qui indique que a priori
caries mesures sont insuffisantes pour quantifier entièrement la variation des caries. En comparaison, le premier motif identifié par FA a été fortement corrélée avec la carie des puits et fissures superficielles (r = 0,81), mais d'autres modèles identifiés, y compris un deuxième motif représentant la carie des incisives maxillaires, n'étaient pas représentatives de toutes les caries indices définis précédemment. Certains modèles identifiés par l'APC et FA étaient héritable (h
2 = 30-65%, p = 0,043 à 0,006), alors que d'autres modèles ne sont pas, en indiquant étiologies génétiques et non génétiques des modes de désintégration individuels.
Conclusions
Cette étude démontre l'utilisation de modèles de désintégration en tant que nouveaux phénotypes pour aider à comprendre la nature multifactorielle de la carie dentaire.
Mots-clés
caries dentaires génétique héritabilité permanente Pit dentition et fissures surfaces surfaces surfaces dentaires lisses analyse en composantes principales Patterns d'analyse factorielle de la carie dentaire Patterns de caries dentaires matériels complémentaires électronique
La version en ligne de cet article (doi:. 10 1186 /1472-6831-12-7) contient du matériel supplémentaire, qui est disponible pour les utilisateurs autorisés.
Contexte
la carie dentaire est une maladie qui affecte la plupart des adultes et causés par l'interaction complexe de nombreux environnementaux, comportementaux [1, 2], et les facteurs de risque génétiques [3-12]. L'étiologie de la carie dentaire est encore compliquée par le risque de non-uniforme sur la surface des dents de la denture complète conduisant à des modèles distincts de la carie dentaire, comme décrit précédemment [13-25]. Les modèles de désintégration ont été utilisés pour explorer la carie étiologie sous l'hypothèse que les différents facteurs de risque conduisent à des schémas de caries distinctes. Un exemple bien connu est le modèle antérieur maxillaires de décroissance (à savoir, "biberon" caries) chez les jeunes enfants en raison en partie aux comportements alimentaires [20, 24]. Malgré dominante témoigne de l'importance des caries modèles, les indices les plus couramment utilisés pour l'étude de l'épidémiologie de la carie sont DCAO et DSFM (c.-à-compte du nombre de dents cariées, manquantes ou les dents remplis /surfaces), qui ne permet pas d'évaluer la pourriture spécifique motifs. Comme mesures globales de la carie dentaire, DCAO et DSFM indices peuvent ne pas être optimale pour l'étude des facteurs génétiques et environnementaux qui se manifestent comme des modèles spécifiques de caries à travers la dentition. Séparer le niveau global de la carie en composants ou des motifs avec des étiologies distinctes peut être critique pour identifier les facteurs de risque de tailles d'effet modestes, tels que des loci génétiques spécifiques contribuant à la carie dentaire.
Descriptions précédentes de caries modèles ont généralement pris en charge et par rapport a priori
classifications des surfaces dentaires [14-22, 25], qui, souvent, différaient entre les études, ce qui conduit à des incohérences qui démontrent l'utilité limitée a priori classifications
de surface. Quelques études ont modélisé les modèles de dent de l'enfance désintégration sans a priori
hypothèses et ont identifié des schémas distincts reflétant la carie des surfaces incisives maxillaires et les surfaces de puits et fissures, entre autres [13, 23, 24]. Pour
notre connaissance, aucune évaluation des permanents caries de dentition motifs chez les adultes sans a priori
classifications de surface a déjà été effectuée. Dans cette étude, nous avons utilisé deux méthodes analytiques connexes pour identifier les tendances sous-jacentes au sein de notre ensemble de données: analyse en composantes principales (ACP) et l'analyse des facteurs (FA). Trois objectifs spécifiques de cette étude étaient (1) afin d'identifier les motifs de la carie dentaire dans la dentition permanente des adultes sans
priori sur les classifications de la surface de la dent; (2) pour déterminer la relation entre les modèles identifiés de décomposition et a priori des mesures de dégradation de
tels que l'indice de la DSFM, la désintégration des surfaces de puits et fissures, et la décomposition des surfaces lisses; et (3) pour évaluer l'héritabilité des modèles identifiés de décomposition
. Méthodes
recrutement et la collecte de données
Le Centre de recherche en santé buccodentaire dans les Appalaches (COHRA) a été créé pour identifier le communautaire, famille-, et prédicteurs au niveau individuel des résultats de santé bucco-dentaire dans la population des Appalaches [26], une sous-population vulnérable à une mauvaise santé orale par rapport à la plus grande population américaine [27-29]. participants COHRA ont été recrutés par le ménage comme décrit précédemment [6, 7, 26], par lequel les ménages éligibles ont été tenus d'inclure au moins une paire parent-enfant biologique avec l'enfant étant de 1 à 18 ans. Tous les membres des ménages admissibles ont été invités à participer sans tenir compte de leur statut par voie orale de la santé, la démographie ou les relations biologiques ou juridiques. Le consentement éclairé écrit a été fourni par tous les participants adultes. Avis conforme avec le parent ou le consentement écrit de tuteur a été fourni au nom de tous les enfants participants. L'étude a été approuvée par le comité de recherche de COHRA et les Institutional Review Boards de l'Université de Pittsburgh et West Virginia University.
Au total, 732 ménages ont été recrutés, qui comprenait 2,663 personnes de 740 parentés biologiques de 1 à 20 membres de la famille ( moyenne = 4,72 membres). Certains parentés couvraient plusieurs ménages, alors que d'autres ménages contenaient plusieurs parentés. relations familiales signalées ont été validés à l'aide de panneaux d'ascendance informative [30] et de l'ensemble du génome [31] Les données de marqueurs génétiques fournies par le Centre de recherche sur les maladies héréditaires à l'Université Johns Hopkins et la qualité vérifiée conjointement par les enquêteurs de l'étude et le Centre de coordination pour le NIH gènes et Initiative Environnement (GENÈVE, [32])
caries dentaires a été évaluée par l'inspection visuelle avec un explorateur dentaire au cours des examens dentaires intra-oraux menée par des dentistes ou des recherches sur les hygiénistes dentaires étalonnés par rapport à un dentiste de référence au moins une fois par. an. concordances inter et intra-examinateur des évaluations des caries étaient élevés [7, 26]. Chaque surface de la dent a été marqué comme son pré-cavitation, pourri, rempli, manquant en raison de la désintégration, ou manquant pour des raisons autres que la pourriture, en conformité avec l'Organisation mondiale de la Santé DSFM /dfs échelle et en conformité avec le NIH /NIDCR- protocole approuvé pour l'évaluation des caries dentaires à des fins de recherche [33]. Cette méthode d'évaluation des caries est compatible avec celle recommandée par le PhenX Toolkit (http:. //Www. Phenxtoolkit org, conçu pour faciliter la combinaison de données entre les études), et le Centre national de Manuel des procédures statistiques sur la santé dentaire Examiners (Voir Section 4.9.1.3) [34]. Les troisièmes molaires ont été exclus de l'évaluation des caries. individus édentés ont été recrutés dans l'étude, mais ont été exclus de la carie évaluation et l'analyse.
analyse statistique
Le but analytique de la présente étude était d'explorer les modèles de la carie dentaire de la dentition permanente chez les adultes. Par conséquent, nous avons exclu les enfants en limitant notre échantillon d'étude aux 1.068 participants âgés de 18 à 75 ans. Pour chaque participant, la carie au niveau de la surface des données sur 128 surfaces (c.-à-4 surfaces pour chaque incisive et canine, et 5 surfaces pour chaque prémolaires et molaires) ont été codées comme 0 pour le son ou manquant pour des raisons autres que la pourriture, ou codés comme 1 pour le pré-cavitation, cariées, absentes en raison de la pourriture, ou rempli /restauré. Ainsi, nous avons généré une matrice de 1.068 participants de 128 indicateurs de niveau surface état caries affection. Cette matrice a été utilisé comme entrée pour deux méthodes connexes d'extraction des modèles au sein des données:. PCA et FA [35]
PCA utilise la décomposition en valeurs singulières de la matrice de données pour extraire un ensemble de variables décorrélées (appelées composantes principales scores, PC ) lorsque le premier ordinateur (c.-à-PC1) qui explique la plus grande quantité possible de la variabilité des données dans une seule dimension, et le second ordinateur (c.-à-PC2) qui explique la plus grande quantité possible de rester variabilité des données dans une seule dimension orthogonale PC1, et ainsi de suite. Il en résulte un certain nombre d'ordinateurs orthogonaux égal au nombre de variables d'origine (en données, 128), avec des PC successifs chacun expliquant moins en moins de la variabilité des données. Chaque ordinateur peut être défini comme une combinaison linéaire des variables initiales pondérées par leurs chargements. Les premiers plusieurs PC peuvent représenter des tendances importantes dans les données, évaluer essentiellement des signaux sous-jacents d'un plus grand nombre de mesures phénotypiques corrélées. Les charges fournissent une façon d'interpréter les PC en fonction des variables d'origine. En d'autres termes, les charges décrivent le modèle des lésions carieuses à travers la dentition permanente pour un PC donné, alors que les PC actuels indiquent l'étendue /gravité de la carie de ce modèle de décroissance.
FA est similaire à l'APC en ce qu'il est utilisé pour extraire les variables latentes appelées scores de facteurs (AAAF) à partir d'une matrice de données d'origine. Comme les PC, les AAAF sont calculés comme des combinaisons linéaires des variables originales pondérés par leurs charges, à l'exception que le nombre d'AAAF utilisé pour modéliser les tendances dans les données est choisie a priori
et les AAAF ne sont pas contraints d'être orthogonale. Dans cette étude, nous avons modélisé la matrice de données de caries en utilisant 10 facteurs. Comme PCA, l'objectif de la FA est de générer des AAAF représentant des signaux sous-jacents dans la matrice de données qui peuvent ensuite être utilisées comme phénotypes, dans ce cas, d'identifier les facteurs de risque de caries dentaires.
Dans la pratique, FA et de l'APC effectuent souvent De même. Toutefois, les deux méthodes prennent des perspectives opposées dans l'extraction de modèles à partir d'une matrice de données: PCA suppose que les variables observées fournissent la base pour les motifs, alors que FA suppose que les tendances latentes fournissent la base pour les variables observées. De cette façon, l'APC est souvent utilisé pour la réduction de la dimension, à savoir
., Résumant les informations à partir d'un grand nombre de variables avec quelques variables, alors que FA peut mieux représenter sous-jacente "endophénotypes", c.-à-
., Phénotypes non mesurés qui manifeste que les variables observées. Pour les deux APC et FA, les charges définissent les modes de désintégration et les PC et les AAAF décrivent la gravité de la maladie pour leurs modèles correspondants.
Pour comparaison avec les PC et les AAAF, nous avons également généré trois a priori
caries phénotypes : l'indice de la DSFM, fosse et caries de surface de fissure (PFS) et la carie de surface lisse (SMS). Ces phénotypes a priori
sont couramment utilisés dans la littérature des caries. DSFM a été calculé comme le nombre de pré-cavitation, cariées, absentes en raison de la désintégration, ou rempli /surfaces restaurées. PFS et SMS ont été calculées de la même manière que la DSFM, sauf que les chiffres ont été limités à des puits et fissures des surfaces et des surfaces lisses, respectivement. surfaces occlusales des prémolaires et molaires, les surfaces buccales des molaires maxillaires, et les surfaces linguales des molaires mandibulaires ont été considérés comme fosse et des surfaces de fissures. Toutes les autres surfaces des dents ont été considérées comme des surfaces lisses.
Afin d'évaluer la stabilité des modèles identifiés par l'APC et FA, nous avons effectué une analyse de sensibilité en répétant PCA et FA sur dix sous-ensembles aléatoires des données composées de 80% de la pleine échantillon. Nous avons comparé les PC et les AAAF obtenus à partir de sous-ensembles aléatoires à ceux de l'échantillon complet en utilisant le coefficient de corrélation de Pearson, r. PC 1-4 étaient extrêmement stable (r = 0,98 à 1,00), les PC 5-9 ont été stables (r = 0,86 à 0,95), et le PC 10 était modérément stable (r = 0,77) à travers des sous-ensembles aléatoires. AAAF 1-6 était stable (r = 0,86 à 0,99), et AAAF 7-10 étaient modérément stable (r = 0,69 à 0,82) à travers des sous-ensembles aléatoires. De même, nous avons évalué l'effet des parents sur l'APC et FA en répétant ces méthodes dans le sous-ensemble maximal d'individus non apparentés. PC 1-10 et AAAF 1-8 de l'échantillon sans rapport ont été fortement corrélés (r & gt; 0,95) avec ceux de l'échantillon complet, alors que FAC9 et FAC10 étaient modérément corrélés (r = 0,57 et 0,81, respectivement). Au total, ces résultats suggèrent que les caries modèles étaient généralement stable et robuste à l'inclusion des parents dans l'échantillon.
Estimations d'héritabilité de PC et AAAF ont été calculés selon la méthode des composantes de la variance. Ce modèle de la méthode des corrélations phénotypiques entre tous les types de parents en fonction du degré attendu de partage génétique (à savoir que les parents et les enfants partagent 50% de leur génome, frères et sœurs partagent 50%, demi-frères et sœurs partagent 25%, des individus non apparentés partagent 0% , etc.). Les détails de cette méthode appliquée à notre échantillon de l'étude ont déjà été rapportés [6, 36]. L'estimation de l'héritabilité est interprété comme la proportion de phénotype variance attribuable à l'effet cumulatif de tous les gènes.
Toutes les analyses statistiques ont été effectuées dans le logiciel R (R Fondation pour le calcul statistique, Vienne, UA), à l'exception des estimations de l'héritabilité qui étaient obtenu à partir de la modélisation génétique réalisée en SOLAR [37]. Analyse des composantes principales est effectuée en utilisant la fonction de prcomp avec les paramètres par défaut. L'analyse factorielle a été réalisée en utilisant la fonction
factanal avec la régression basée sur les scores de l'option de Thomson, 10 facteurs, et d'autres paramètres par défaut. Les prévalences, les corrélations et les chiffres ont tous été générés dans R.: Résultats
prévalences Caries par les données de caries au niveau Surface de surface pour 1.068 participants (âgés de 18 à 75 ans, l'âge de 34,7 ans signifie, 63,3% de femmes , on a recueilli 90,0% autodéclarée blanc) sur 128 surfaces dentaires. surfaces des dents qui présentaient des preuves de lésions ou de la pourriture pré-cavitation, étaient absents en raison de la désintégration, ou avaient été remplis /restauré, ont été considérés comme cariée. surfaces des dents qui étaient son ou manquantes pour des raisons autres que la pourriture ont été considérés comme non-cariée. Caries prévalences par surface (à savoir la proportion de l'échantillon présentant des caries sur une surface de dent particulière) sont présentés dans le tableau 1. Les surfaces des dents maxillaires antérieure (à savoir, des incisives et canines) présentaient plus de caries que les prévalences dents antérieures mandibulaires; tandis que les dents postérieures maxillaires (à savoir, prémolaires et molaires) présentaient des taux de pravelences inférieurs à teeth.Table mandibulaire postérieure 1 Caries prévalences par surface dans la dentition permanente (N = 1,068)
Surface
Right
|
|
|
dents maxillaires
|
|
|
|
Left
|
2
3
4
5
6
7
8
9
10
11
12
13
14
15
buccal
0.18
0.15
0.09
0.10
0.11
0.13
0.16
0.15
0.13
0.11
0.09
0.10
0.15
0.20
distal
0.18
0.21
0.20
0.18
0.07
0.11
0.16
0.16
0.13
0.08
0.19
0.21
0.20
0.18
lingual
0.22
0.40
0.08
0.07
0.07
0.15
0.15
0.16
0.16
0.08
0.07
0.09
0.39
0.23
mesial
0.16
0.27
0.19
0.12
0.07
0.15
0.17
0.18
0.16
0.09
0.12
0.20
0.25
0.18
occlusal
0.60
0.63
0.30
0.26
|
|
|
|
|
|
0,28
0,31
0,63
0,59
|
droit
|
|
|
|
dents mandibulaires
|
|
|
|
gauche
|
31
30
29
28
27
26
25
24
23
22
21
20
19
18
buccal
0.29
0.41
0.11
0.09
0.08
0.04
0.03
0.03
0.03
0.07
0.09
0.10
0.39
0.28
distal
0.16
0.26
0.19
0.08
0.02
0.03
0.03
0.02
0.03
0.02
0.08
0.18
0.26
0.15
lingual
0.16
0.19
0.07
0.02
0.01
0.01
0.02
0.01
0.02
0.02
0.03
0.07
0.21
0.14
mesial
0.22
0.25
0.11
0.05
0.03
0.02
0.02
0.03
0.02
0.03
0.04
0.10
0.25
0.21
occlusal
0.64
0.60
0.27
0.12
|
|
|
|
|
|
0,14
0,26
0,59
0,61
analyse en composantes principales
PCA a été effectuée sur les données au niveau de la surface afin d'en extraire les motifs sous-jacents de la carie. PC1 explique 26,3% de la variabilité dans les données, PC2 expliqué 6,7%, et tous les autres PC expliqué & lt; 5% (figure 1A). Chargements montrent qu'à l'exception des surfaces mandibulaires antérieures, toutes les autres surfaces contribuent de manière similaire à PC1 (figure 1B) représentant un motif /étendue quasi mondiale de la décadence. Chargements pour PC2 montrent des contributions opposées de surfaces lisses et des puits et fissures des surfaces (figure 1C). Chargements pour PC3 montrent les contributions opposées de prémolaires par rapport aux autres surfaces et les charges pour PC4 montrent les contributions opposées de maxillaires vs. surfaces mandibulaires (voir fichier supplémentaire 1). Les charges pour tous les autres PC montrent des modèles complexes des contributions des surfaces des dents qui ne sont pas facilement perceptible dans le contexte des ordinateurs 1 à 4, toutefois, une description générale des surfaces qui contribuent sont résumés dans le tableau 2. La figure 1 principale d'analyse des composants. (A) proportion de la variance des données expliquée par PC 1-10 (rouge) et les PC successifs (noir). (B) Chargements pour PC1 commandés par type de dent, de gauche à droite: incisives maxillaires (bleu), canines (vert), prémolaires (rouge), molaires (noir), incisives mandibulaires (gris), canines (jaune), prémolaires ( magenta), les molaires (cyan). Pour chaque dent, les contributions des surfaces sont énumérées dans l'ordre suivant: buccal, distal, linguale, mésiale et occlusal, le cas échéant. Dents ordonnées de gauche à droite: maxillaires 8, 9, 7, 10, 6, 11, 5, 12, 4, 13, 3, 14, 2, 15; mandibulaire 24, 25, 23, 26, 22, 27, 21, 28, 20, 29, 19, 30, 18, 31. (C) Chargements pour PC2, dans le même ordre; surfaces lisses ombrées rouge, bleu surfaces de puits et fissures ombragée. Les diagrammes de dispersion de (D) PC1 vs indice DSFM, (E) PC2 vs. puits et fissures caries, (F) PC3 contre les caries de surface lisse.
Tableau 2 interprétations générales de l'APC et des charges FA.
< col> Motif
interprétation générale des charges
PCA
|
PC1
tous les maxillaires des dents et des prémolaires mandibulaires et molaires
Le PC2
vs molaires non-molaires
Le PC3
prémolaires vs non-prémolaires
PC4
dents mandibulaires vs dents maxillaires
PC5
2e molaires par rapport au 1er molaires mandibulaires
PC6
prémolaires mandibulaires et 2e molaires par rapport au 1er molaire mandibulaire et molaires maxillaires et 2ème prémolaires
PC7
prémolaires maxillaires et mandibulaires par rapport molaires molaires maxillaires et mandibulaires prémolaires
PC8
contributions complexes
PC9
contributions complexes
PC10
vs droite à gauche molaires mandibulaires
FA
|
FAC1
dents postérieures: prémolaires et molaires
FAC2
maxillaires dents antérieures: les incisives et les canines
FAC3
canines et prémolaires mandibulaires
FAC4
maxillaires prémolaires
FAC5
mandibulaires incisives et canines
FAC6
non occlusales prémolaires et molaires surfaces, incisives latérales maxillaires et canines maxillaires
FAC7
dent 20 (gauche mandibulaire 2ème prémolaire)
FAC8
dent 29 (à droite 2e prémolaire mandibulaire)
FAC9
2e molaires maxillaires
FAC10
dent 13 (à gauche maxillaires 2ème prémolaire)
Voir le fichier additionnel 1 pour plus de détails
PC1 était presque identique à la DSFM index (r = 0,969; valeur p & lt; 10 -250 [à savoir, la p-valeur minimum rapporté à l'aide du logiciel de statistiques]; Figure 1D) indiquant que le motif le plus fort de la carie dans les données distingue les individus par niveau global de décroissance. PFS, le nombre de surfaces de puits et fissures carieuses, a été très fortement corrélé avec PC2 après soustraction des PC1 (r = 0,947; p-valeur & lt; 10 -250; figure 1E). SMS, le nombre de surfaces lisses carieuses, a été fortement corrélée avec PC3 après soustraction des PC2 et PC1 (r = 0,894; p-valeur & lt; 10 -250; figure 1E). Ces corrélations montrent que PC1, PC2, PC3 et capturer les motifs de la carie dentaire correspondant à un
priori phénotypes, DSFM index, l'excès de PFS (pour un DFMS donné), et l'excès de SMS (pour donné DSFM et PFS), respectivement.
L'héritabilité (h 2) de l'indice DSFM et PC 1-10 ont été calculés tout en ajustant simultanément pour les effets de l'âge, l'âge 2, et le sexe (tableau 3). index DSFM, PC1, PC5 et PC7 étaient tous fortement héritables (h 2 = 37% à 50%; les valeurs p = 0,043 à 0,008) indiquant que certains modèles de la carie dentaire étaient dus à des étiologies génétiques. D'autres ordinateurs ne sont pas héritable indiquant que certains modèles de la carie dentaire ne sont pas dus à la génétique. Covariables âge, âge 2, et le sexe explique environ 10% de la variation de PC1 et très peu de variation pour les PCs.Table 3 estimations restantes Héritabilité pour l'indice DSFM, les ordinateurs et les AAAF
< col> Phénotype
h2
h2 SE
p-value
R2
DMFS
0.418
0.164
0.008
0.054
PCA
|
|
|
PC1
0,404
0,160
0,009
0,095
PC2
0,149
0,171
0,190
0,017
PC3
0.000
-
0,500
0,037
PC4
0,174
0,234
0,231
0,004
PC5
0,373
0,207
0,043
0,021
PC6
0,027
0,236
0,455
0,001
PC7
0,503
0,221
0,020
0,004
PC8
0.000
-
0,500
0,003
PC9
0.000
-
0,500
0,006
PC10
0.000
-
0,500
0,001
FA
|
|
|
|
FAC1
0,157
0,181
0,194
0,033
FAC2
0.000
-
0,500
0,014
FAC3
0,653
0,198
0,006
0,010
FAC4
0,274
0,239
0,135
0,058
FAC5
0,019
0,161
0,454
0,017
FAC6
0,302
0,153
0,027
0,009
FAC7
0.000
-
0,500
0,015
FAC8
0.000
-
0,500
0,018
FAC9
0,084
0,208
0,343
0,006
FAC10
0,342
0,292
0,136
0,014
h2 = estimation de l'héritabilité (ie, proportion de phénotype variation attribuable à la génétique)
h2 SE = erreur standard de l'estimation de l'héritabilité
R2 = proportion de phénotype variation attribuable aux effets cumulatifs de l'âge, age2, et le sexe
analyse factorielle
FA a également été effectuée sur les données de niveau de surface pour identifier les tendances latentes de la carie dentaire (tableau 2). 10 Les facteurs qui ont été extraites de manière cumulative expliquée 44,7% de la variabilité des données. FAC1 est principalement attribuable à la contribution des surfaces molaires, et à un degré moindre, les surfaces prémolaires (voir charges, Figure 2A). FAC1 était modérément corrélée avec l'indice DSFM (r = 0,593; p-valeur & lt; 10 -250), et fortement corrélée avec PFS (r = 0,815, p-valeur & lt; 10 -250; Figure 2B) . Les charges ont montré que les surfaces d'incisive supérieure et, dans une moindre mesure, les surfaces canine maxillaire, contribuent à FAC2 (figure 2C). FAC2 était modérément corrélée avec SMS (r = 0,523; p-valeur & lt; 10 -250) et de l'indice DSFM (r = 0,453; p-valeur & lt; 10 -250). Voir le fichier additionnel 1 pour les charges de tous les autres facteurs. En général, la plupart des AAAF ont montré une faible corrélation avec les PC, ce qui indique que les deux méthodes extraites des modèles différents à partir des données. En comparaison avec les PC, ce qui représente des contributions de plusieurs dents, un certain nombre d'AAAF principalement représenté contributions des dents individuelles (par exemple, dent 20 pour FAC7, dent 29 pour FAC8, dent 13 pour FAC10). Figure 2 L'analyse factorielle. (A) Chargements pour FAC1 commandés par type de dent, de gauche à droite: incisives maxillaires (bleu), canines (vert), prémolaires (rouge), molaires (noir), incisives mandibulaires (gris), canines (jaune), prémolaires ( magenta), les molaires (cyan). Pour chaque dent, les contributions des surfaces sont énumérées dans l'ordre suivant: buccal, distal, linguale, mésiale et occlusal, le cas échéant. Dents ordonnées de gauche à droite: maxillaires 8, 9, 7, 10, 6, 11, 5, 12, 4, 13, 3, 14, 2, 15; mandibulaire 24, 25, 23, 26, 22, 27, 21, 28, 20, 29, 19, 30, 18, 31. (B) nuage de points de FAC1 vs. puits et la surface de la fissure caries. . (C) Chargements pour FAC2 dans le même ordre
Les estimations de l'héritabilité de AAAF 1-10 sont également présentés dans le Tableau 3. FAC3 et FAC6 étaient fortement héritables (h 2 = 65,3 et 30,2%; p-valeur = 0,006 et 0,027, respectivement), alors que les autres ne sont pas AAAF héritable. Ces résultats font écho aux résultats de l'ACP, ce qui montre que certains modèles de caries sont dues à des étiologies génétiques, tandis que d'autres ne sont pas. Les seuils de signification pour les estimations de l'héritabilité ne répondaient pas à l'ajustement Bonferroni (pour 20 modèles, ce qui nécessite des valeurs p & lt; 0,0025 pour la signification de la famille sage); bien, un réglage correct pour les tests multiples ne sont pas claires données l'héritabilité significative préalable de la DSFM, PFS et indices SMS rapporté pour cet échantillon [6, 36]. es Discussion
Nous avons utilisé deux méthodes connexes d'extraction de caries modèles dans la dentition permanente à partir des données de caries au niveau de la surface. PCA a abouti à de nombreux modèles modéré à faible, indiquant peut-être un degré élevé de bruit ou sporadique (non structurée) apparition de caries dentaires. De plus, les PC 1-3 repris de près la DCAO, PFS, et les indices de SMS, une observation qui suggère que ces a priori
caries phénotypes peuvent refléter les tendances prédominantes de pourriture dans la dentition permanente, bien que cumulativement ils ne représentent que 37% des la variabilité. Certains ordinateurs sont héritables, alors que beaucoup n'étaient pas, ce qui suggère que les modèles génétiques de décomposition peuvent être séparable de motifs non-génétiques. Contrairement à l'APC, FA n'a donné que des facteurs clairement réapproprié une
a priori phénotypes, à l'exception du fait que FAC1 était en corrélation avec PFS. incisives maxillaires ont fortement contribué à FAC2, ce qui est cohérent avec les études précédentes qui ont utilisé l'échelle multidimensionnelle [24] et l'analyse de cluster [23] pour explorer caries modèles dans la dentition primaire et ont démontré les incisives maxillaires formé le deuxième groupe (après d'autres surfaces lisses). Dix facteurs ne suffisaient pas à expliquer la variabilité des données, de façon cumulative représentant environ 45%.
Comme PCA, FA donné quelques facteurs qui ont une forte héritabilité indiquant que certaines caries modèles peuvent être dues à des étiologies génétiques tandis que d'autres peuvent être dues à étiologies non-génétiques. Parce que les modèles de caries présentés dans ce manuscrit sont plus précisément et agnostically défini a priori que
phénotypes, nous concluons que conservatrice des modèles spécifiques représentés par FAC3 et FAC6 sont héritables, plutôt que de généraliser à plus larges catégories de surface telles que les SMS. Fait intéressant, la contribution génétique forte identifiée était pour FAC3, qui était de 65,3% héritable (par rapport à 41,8% pour l'indice D1MFS) qui suggère que FAC3 peut être un meilleur phénotype pour la découverte de gènes d'un
priori caries phénotypes. Une conclusion similaire peut être faite pour PC7 (50,3% héritable). Ces résultats sont généralement conformes à une précédente étude comparant PCA et FA qui a montré FA peut mieux capter les signaux génétiques sous-jacents à partir des mesures phénotypiques corrélées (bien que les deux méthodes donnent d'assez similaire) [35]. PC et AAAF non héritables, vraisemblablement en raison des effets des facteurs de risque non génétiques, on peut préférer phénotypes pour les futures études épidémiologiques sur les facteurs de risque environnementaux pour les caries dentaires.
La gravité de la carie considérablement augmenté avec l'âge (ou l'âge 2) pour la plupart des modèles (résultats non montrés). Les estimations de l'héritabilité ont été calculées en modélisant simultanément l'âge, l'âge 2, et le sexe, bien que les estimations de l'héritabilité très similaires ont été obtenus dans des modèles non ajustés pour tous les modèles sauf PC1 qui présentaient une diminution héritabilité lorsque covariables ont été omis (résultats non montrés). Ces résultats sont sensibles étant donné que tout à fait, l'âge, l'âge 2 et le sexe ont représenté environ 10% de la variance dans PC1, mais très peu de variance pour les autres PC et AAAF.
L'un des défis de l'utilisation de méthodes telles agnostiques comme APC et FA pour identifier les tendances sous-jacentes de la carie dentaire (dépourvues d'a priori classifications
de surface) est dans l'interprétation des résultats. Tandis que certains motifs, tels que PC1 (définies par les charges quasi uniforme sur la plupart des surfaces dentaires et représentant donc l'étendue globale de décroissance) et AAAF 7, 8 et 10 (chacun étant défini par les contributions d'un seul prémolaire), sont facilement interprétables , d'autres PC et AAAF peuvent être difficiles à rapporter à des variables d'origine. De plus, il n'y a pas de méthode claire de distinguer les modèles biologiquement pertinents attribuables à des facteurs de risque distincts de modèles sporadiques dus au bruit. L'analyse de sensibilité a montré que les modèles représentés par PC 1-9 et 1-6 AAAF étaient stables, alors que PC10 et AAAF 7-10 étaient modérément stable. La stabilité globale donne du crédit à l'idée que les PC et les AAAF considérés dans cette étude ne sont pas dues au seul hasard.
Cette étude bénéficie du large échantillon d'individus apparentés avec évaluation détaillée des caries au niveau de la surface, ce qui a facilité l'extraction caries de motif et estimation de l'héritabilité. Une force supplémentaire de l'analyse a utilisé deux méthodes d'extraction des caries modèles à partir des données, qui, surtout, n'utilisent pas a priori des définitions
de motifs différents mais liés.
Malgré ces atouts, plusieurs limites de cette étude justifient discussion, y compris les limitations inhérentes à l'affectation des surfaces dentaires comme cariée ou non.
| | 