The Influence of Alcohol Consumption, Cigarette Smoking, and Physical Activity on Leukocyte Telomere Length
Notice bibliographique
Résumé
BACKGROUND: Telomeres protect from DNA degradation and maintain chromosomal stability. Short telomeres have been associated with an increased risk of cancer at several sites. However, there is limited knowledge about the lifestyle determinants of telomere length. We aimed to determine the effect of three factors, known to be important in cancer etiology, on relative leukocyte telomere length (rLTL): alcohol consumption, smoking, and physical activity. METHODS: This cross-sectional study included 477 healthy volunteers ages 20 to 50 years who completed a questionnaire and provided a fasting blood sample. Multiplex quantitative real-time PCR (qPCR) was used to measure rLTL. Regression coefficients were calculated using multiple linear regression while controlling for important covariates. RESULTS: There was no association between alcohol consumption and rLTL. Daily smokers and those in the middle and lower tertile of pack-years smoking had shorter rLTL than never daily smokers (P = 0.02). Data were suggestive of a linear trend with total physical activity (P = 0.06). Compared with the lowest quartile, the highest quartile of vigorous physical activity was associated with longer rLTL. A significant linear trend of increasing rLTL with increasing vigorous physical activity was observed (P = 0.02). CONCLUSIONS: Cigarette smoking and vigorous physical activity have an impact on telomere length. Smoking was related to shorter telomere length while vigorous physical activity was related to longer telomeres. IMPACT: The findings from this study suggest that lifestyle may play an important role in telomere dynamics and also suggest that engaging in healthy behaviors may mitigate the effect of harmful behaviors on telomere length.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».