MétaCan
Menu
Retour à la cohorte
Enregistrement W2958575744 · doi:10.3389/fimmu.2019.01802

Diet-Microbe-Host Interactions That Affect Gut Mucosal Integrity and Infection Resistance

2019· review· en· W2958575744 sur OpenAlexaff
Andrew J. Forgie, Janelle M. Fouhse, Benjamin P. Willing

Notice bibliographique

RevueFrontiers in Immunology · 2019
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGut microbiota and health
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésColonisation resistanceDysbiosisMicrobiomeBiologyPathogenDiseaseImmune systemHost (biology)Innate immune systemImmunologyGut floraAntibiotic resistanceImmunityPopulationMicrobiologyGastrointestinal tractAntibioticsMedicineBioinformaticsEnvironmental healthEcology

Résumé

récupéré en direct d'OpenAlex

The gastrointestinal tract microbiome plays a critical role in regulating host innate and adaptive immune responses against pathogenic bacteria. Disease associated dysbiosis and environmental induced insults, such as antibiotic treatments can lead to increased susceptibility to infection, particularly in a hospital setting. Dietary intervention is the greatest tool available to modify the microbiome and support pathogen resistance. Some dietary components can maintain a healthy disease resistant microbiome, whereas others can contribute to an imbalanced microbial population, impairing intestinal barrier function and immunity. Characterizing the effects of dietary components through the host-microbe axis as it relates to gastrointestinal health is vital to provide evidence-based dietary interventions to mitigate infections. This review will cover the effect of dietary components (carbohydrates, fiber, proteins, fats, polyphenolic compounds, vitamins, and minerals) on intestinal integrity and highlight their ability to modulate host-microbe interactions as to improve pathogen resistance.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,317
Écart entre enseignants0,291 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations82
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in ImmunologyMême sujetGut microbiota and healthTravaux en français237 207