Genetics of Food Preferences: A First View from Silk Road Populations
Notice bibliographique
Résumé
Food preferences are the main factor driving food intake and choice. There are good reasons to suspect some genetic influence on food acceptance, not least because genetic factors are implicated in a number of factors that are likely to be related to food choice. In addition, some food dislikes show themselves early in life, before there is any evidence for aversive experiences. Although taste has been widely studied in regards of pure tastes such as bitter or sweet perception, the relationship between taste-related genes and food preferences has seldom been explored. In this work we investigated relationship of 37 taste-related genes with food preferences. The study was carried out during a scientific expedition through Caucasus and Central Asia (Silk Road) analyzing more than 400 samples from 5 different countries. A food preference questionnaire was administered to each participant and a DNA sample was obtained. Other information, such as age, sex, life style and anthropometrical measures, were also collected. We found significant associations with variants of: (1) TAS1R2 [Correction added after initial online publication on 27 Aug 2012. TAS1R3 was changed to TAS1R2.] gene and liking of Vodka (P= 1.6 × 10(-3)), white wine (P= 4.0 × 10(-4)) and lamb meat (P= 1.6 × 10(-3)); (2) PCLB2 gene and preference for Hot Tea (P= 8.0 × 10(-4)); (3) TPRV1 gene and beet liking (P= 3.8 × 10(-5)); and (4) ITPR3 gene and liking of both lamb meat (5.8 × 10(-4)) and sheep cheese (8.9×10(-4)). These findings give a new insight on a better understanding, of genetic factors influencing food preferences which is critical to the development of effective dietary interventions, especially for people that may be genetically not predisposed for liking specific nutrients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».