Abstract Characterization of the genetic landscape of Alzheimer’s disease (AD) and related dementias (ADD) provides a unique opportunity for a better understanding of the associated pathophysiological processes. We performed a two-stage genome-wide association study totaling 111,326 clinically diagnosed/‘proxy’ AD cases and 677,663 controls. We found 75 risk loci, of which 42 were new at the time of analysis. Pathway enrichment analyses confirmed the involvement of amyloid/tau pathways and highlighted microglia implication. Gene prioritization in the new loci identified 31 genes that were suggestive of new genetically associated processes, including the tumor necrosis factor alpha pathway through the linear ubiquitin chain assembly complex. We also built a new genetic risk score associated with the risk of future AD/dementia or progression from mild cognitive impairment to AD/dementia. The improvement in prediction led to a 1.6- to 1.9-fold increase in AD risk from the lowest to the highest decile, in addition to effects of age and the APOE ε4 allele.

The Alzheimer's Disease Sequencing Project (ADSP) undertook whole exome sequencing in 5,740 late-onset Alzheimer disease (AD) cases and 5,096 cognitively normal controls primarily of European ancestry (EA), among whom 218 cases and 177 controls were Caribbean Hispanic (CH). An age-, sex- and APOE based risk score and family history were used to select cases most likely to harbor novel AD risk variants and controls least likely to develop AD by age 85 years. We tested ~1.5 million single nucleotide variants (SNVs) and 50,000 insertion-deletion polymorphisms (indels) for association to AD, using multiple models considering individual variants as well as gene-based tests aggregating rare, predicted functional, and loss of function variants. Sixteen single variants and 19 genes that met criteria for significant or suggestive associations after multiple-testing correction were evaluated for replication in four independent samples; three with whole exome sequencing (2,778 cases, 7,262 controls) and one with genome-wide genotyping imputed to the Haplotype Reference Consortium panel (9,343 cases, 11,527 controls). The top findings in the discovery sample were also followed-up in the ADSP whole-genome sequenced family-based dataset (197 members of 42 EA families and 501 members of 157 CH families). We identified novel and predicted functional genetic variants in genes previously associated with AD. We also detected associations in three novel genes: IGHG3 (p = 9.8 × 10

Abstract The conventional method of using liquid-level sensors like guided wave radar (GWR) for liquid level detection in oil tanks poses significant safety and environmental concerns. The process of opening the tank hatch for maintenance and calibration exposes workers to hazardous gasses and increases the risk of explosions. Additionally, the release of harmful substances during calibration contributes to environmental pollution. To address these challenges, we developed a non-intrusive approach using thermal video processing model as a safer and more environmentally friendly alternative to GWR. The model utilizes thermal videos captured by a thermal camera and employs advanced deep Learning image processing techniques to detect thermal differences between the full and empty parts of the tank. By accurately estimating the liquid level based on these thermal patterns, the non-intrusive approach eliminates the need for physical access to the tank, thereby mitigating safety risks and minimizing environmental impact. The performance of the thermal video processing model is evaluated by collecting data from multiple tanks and comparing the results with those obtained from guided wave radar. We evaluated the model in different edge cases including different weather conditions like snow, storm, rain, and also different temperatures. We also evaluated the model in shadow, camera shake, and blocking objects like tanker trucks, pipes or other tanks. The results of this work demonstrate that the thermal video processing model achieves comparable accuracy to guided wave radar for liquid level detection in oil tanks. The model successfully identifies and differentiates thermal patterns with more than 94% accuracy, enabling precise estimation of the liquid level with 98% accuracy. By eliminating the need to open the tank hatch, this method ensures worker safety by minimizing their exposure to hazardous gasses and reducing the risk of explosions and release of harmful substances to air. The deep learning video processing model performing tank level detection is very robust to edge cases including different temperature or weather conditions. It is also very resilient to shadow during the day and can detect levels even when less than 10% of the tank is visible. The findings demonstrate the potential of thermal image processing as a viable and efficient approach, offering a safer and more sustainable solution for the oil industry.