మా గ్రూప్ ప్రతి సంవత్సరం USA, యూరప్ & ఆసియా అంతటా 3000+ గ్లోబల్ కాన్ఫరెన్స్ ఈవెంట్లను నిర్వహిస్తుంది మరియు 1000 కంటే ఎక్కువ సైంటిఫిక్ సొసైటీల మద్దతుతో 700+ ఓపెన్ యాక్సెస్ జర్నల్లను ప్రచురిస్తుంది , ఇందులో 50000 మంది ప్రముఖ వ్యక్తులు, ప్రఖ్యాత శాస్త్రవేత్తలు ఎడిటోరియల్ బోర్డ్ సభ్యులుగా ఉన్నారు.
ఎక్కువ మంది పాఠకులు మరియు అనులేఖనాలను పొందే ఓపెన్ యాక్సెస్ జర్నల్స్
700 జర్నల్స్ మరియు 15,000,000 రీడర్లు ప్రతి జర్నల్ 25,000+ రీడర్లను పొందుతున్నారు
Late onset Alzheimer’s disease (LOAD), the most common cause of late onset dementia, has a strong genetic component. To date, 21 disease-risk loci have been identified through genome wide association studies (GWAS). However, the causative functional variant(s) within these loci are yet to be discovered. This study aimed to identify potential functional splicing mutations in the nine original GWAS-risk genes: CLU, PICALM, CR1, ABCA7, BIN1, the MS4A locus, CD2AP, EPHA1 and CD33. Target enriched next generation sequencing (NGS) was used to resequence the entire genetic region for each of these GWAS-risk loci in 96 LOAD patients and in silico databases were used to annotate the variants for functionality. Predicted splicing variants were further functionally characterised using splicing prediction software and minigene splicing assays. Following in silico annotation, 21 variants were predicted to influence splicing and, upon further annotation, four of these were examined utilising the in vitro minigene assay. Two variants, rs881768 A>G in ABCA7 and a novel variant 11: 60179827 T>G in MS4A6A were shown, in these cell assays, to affect the splicing of these genes. The method employed in the paper successfully identified potential splicing variants in GWAS-risk genes. Further investigation will be needed to understand the full effect of these variants on LOAD risk. However, these results suggest a possible pipeline in order to identify putative functional variants as a result of NGS in disease-associated loci although improvements are needed within the current prediction programme in order to reduce the number of false positives.