Metabolome analysis for investigating host-gut microbiota interactions
Notice bibliographique
Résumé
Dysbiosis of the gut microbiome is associated with host health conditions. Many diseases have shown to have correlations with imbalanced microbiota, including obesity, inflammatory bowel disease, cancer, and even neurodegeneration disorders. Metabolomics studies targeting small molecule metabolites that impact the host metabolome and their biochemical functions have shown promise for studying host-gut microbiota interactions. Metabolome analysis determines the metabolites being discussed for their biological implications in host-gut microbiota interactions. To facilitate understanding the critical aspects of metabolome analysis, this article reviewed (1) the sample types used in host-gut microbiome studies; (2) mass spectrometry (MS)-based analytical methods and (3) useful tools for MS-based data processing/analysis. In addition to the most frequently used sample type, feces, we also discussed others biosamples, such as urine, plasma/serum, saliva, cerebrospinal fluid, exhaled breaths, and tissues, to better understand gut metabolite systemic effects on the whole organism. Gas chromatography-mass spectrometry (GC-MS), liquid chromatography-mass spectrometry (LC-MS), and capillary electrophoresis-mass spectrometry (CE-MS), three powerful tools that can be utilized to study host-gut microbiota interactions, are included with examples of their applications. After obtaining big data from MS-based instruments, noise removal, peak detection, missing value imputation, and data analysis are all important steps for acquiring valid results in host-gut microbiome research. The information provided in this review will help new researchers aiming to join this field by providing a global view of the analytical aspects involved in gut microbiota-related metabolomics studies.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| 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 | 0,001 | 0,001 |
| 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 ».