Plasma Metabolites Associated with Frequent Red Wine Consumption: A Metabolomics Approach within the PREDIMED Study
Notice bibliographique
Résumé
SCOPE: The relationship between red wine (RW) consumption and metabolism is poorly understood. It is aimed to assess the systemic metabolomic profiles in relation to frequent RW consumption as well as the ability of a set of metabolites to discriminate RW consumers. METHODS AND RESULTS: A cross-sectional analysis of 1157 participants is carried out. Subjects are divided as non-RW consumers versus RW consumers (>1 glass per day RW [100 mL per day]). Plasma metabolomics analysis is performed using LC-MS. Associations between 386 identified metabolites and RW consumption are assessed using elastic net regression analysis taking into consideration baseline significant covariates. Ten-cross-validation (CV) is performed and receiver operating characteristic curves are constructed in each of the validation datasets based on weighted models. A subset of 13 metabolites is consistently selected and RW consumers versus nonconsumers are discriminated. Based on the multi-metabolite model weighted with the regression coefficients of metabolites, the area under the curve is 0.83 (95% CI: 0.80-0.86). These metabolites mainly consisted of lipid species, some organic acids, and alkaloids. CONCLUSIONS: A multi-metabolite model identified in a Mediterranean population appears useful to discriminate between frequent RW consumers and nonconsumers. Further studies are needed to assess the contribution of these metabolites in health and disease.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».