Umami: The Taste That Drives Purine Intake
Notice bibliographique
Résumé
Rheumatologists commonly recommend low purine diets to gouty subjects based on studies linking the purine contents of food to increased risk for gout1. However, most rheumatologists, as well as physicians in general, do not know that one of the basic 5 human tastes is for purine-rich foods, a taste known as umami (oo-mah-mee). We present evidence of this revelation and why this may have occurred. Historically, an elevation in serum urate was considered benign except for carrying an increased risk for gout. Recently, soluble urate has been found to have myriad biologic effects, including raising blood pressure, increasing hepatic fat stores, and inducing insulin resistance2,3. Indeed, the uricase mutation that occurred in the mid-Miocene likely provided a survival advantage to our ancestors during a period of famine that occurred during that time in Europe4. If uric acid has an important role in human survival, then it is logical that there should be a taste receptor that would encourage the ingestion of foods that raise serum urate. In addition to the classic tastes of sour, bitter, sweet, and salt, there is a fifth basic taste, umami. Umami is the “savory” flavor and was first identified in traditional Japanese foods such as kombu (sea kelp), where it was found to result from the presence of free glutamate. The umami receptor in the taste buds is complex, and consists of the metabotropic glutamate receptor-4, the G-protein-coupled heterodimer of taste receptor type 1 member 1 (TAS1R1), and taste receptor type 1 receptor3 … Address correspondence to Dr. R.J. Johnson, Division of Kidney Diseases and Hypertension, University of Colorado Denver, Aurora, Colorado 80045, USA. E-mail: richard.johnson{at}ucdenver.edu
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».