Urinary <sup>1</sup>H Nuclear Magnetic Resonance Metabolomic Fingerprinting Reveals Biomarkers of Pulse Consumption Related to Energy-Metabolism Modulation in a Subcohort from the PREDIMED study
Notice bibliographique
Résumé
Little is known about the metabolome fingerprint of pulse consumption. The study of robust and accurate biomarkers for pulse dietary assessment has great value for nutritional epidemiology regarding health benefits and their mechanisms. To characterize the fingerprinting of dietary pulses (chickpeas, lentils, and beans), spot urine samples from a subcohort from the PREDIMED study were stratified using a validated food frequency questionnaire. Urine samples of nonpulse consumers (≤4 g/day of pulse intake) and habitual pulse consumers (≥25 g/day of pulse intake) were analyzed using a 1 H nuclear magnetic resonance (NMR) metabolomics approach combined with multi- and univariate data analysis. Pulse consumption showed differences through 16 metabolites coming from (i) choline metabolism, (ii) protein-related compounds, and (iii) energy metabolism (including lower urinary glucose). Stepwise logistic regression analysis was applied to design a combined model of pulse exposure, which resulted in glutamine, dimethylamine, and 3-methylhistidine. This model was evaluated by a receiver operating characteristic curve (AUC > 90% in both training and validation sets). The application of NMR-based metabolomics to reported pulse exposure highlighted new candidates for biomarkers of pulse consumption and the impact on energy metabolism, generating new hypotheses on energy modulation. Further intervention studies will confirm these findings.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».