Integration of datasets from different analytical techniques to assess the impact of nutrition on human metabolome
Notice bibliographique
Résumé
Bacteria colonizing the human intestinal tract exhibit a high phylogenetic diversity that reflects their immense metabolic potentials. The catalytic activity of gut microbes has an important impact on gastrointestinal (GI) functions and host health. The microbial conversion of carbohydrates and other food components leads to the formation of a large number of compounds that affect the host metabolome and have beneficial or adverse effects on human health. Metabolomics is a metabolic-biology system approach focused on the metabolic responses understanding of living systems to physio-pathological stimuli by using multivariate statistical data on human body fluids obtained by different instrumental techniques. A metabolomic approach based on an analytical platform could be able to separate, detect, characterize and quantify a wide range of metabolites and its metabolic pathways. This approach has been recently applied to study the metabolic changes triggered in the gut microbiota by specific diet components and diet variations, specific diseases, probiotic and synbiotic food intake. This review describes the metabolomic data obtained by analyzing human fluids by using different techniques and particularly Gas Chromatography Mass Spectrometry Solid-phase Micro Extraction (GC-MS/SPME), Proton Nuclear Magnetic Resonance ((1)H-NMR) Spectroscopy and Fourier Transform Infrared (FTIR) Spectroscopy. This instrumental approach has a good potential in the identification and detection of specific food intake and diseases biomarkers.
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 | 0,000 | 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 | 0,000 | 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 ».