Perspective: Dietary Biomarkers of Intake and Exposure—Exploration with Omics Approaches
Notice bibliographique
Résumé
While conventional nutrition research has yielded biomarkers such as doubly labeled water for energy metabolism and 24-h urinary nitrogen for protein intake, a critical need exists for additional, equally robust biomarkers that allow for objective assessment of specific food intake and dietary exposure. Recent advances in high-throughput MS combined with improved metabolomics techniques and bioinformatic tools provide new opportunities for dietary biomarker development. In September 2018, the NIH organized a 2-d workshop to engage nutrition and omics researchers and explore the potential of multiomics approaches in nutritional biomarker research. The current Perspective summarizes key gaps and challenges identified, as well as the recommendations from the workshop that could serve as a guide for scientists interested in dietary biomarkers research. Topics addressed included study designs for biomarker development, analytical and bioinformatic considerations, and integration of dietary biomarkers with other omics techniques. Several clear needs were identified, including larger controlled feeding studies, testing a variety of foods and dietary patterns across diverse populations, improved reporting standards to support study replication, more chemical standards covering a broader range of food constituents and human metabolites, standardized approaches for biomarker validation, comprehensive and accessible food composition databases, a common ontology for dietary biomarker literature, and methodologic work on statistical procedures for intake biomarker discovery. Multidisciplinary research teams with appropriate expertise are critical to moving forward the field of dietary biomarkers and producing robust, reproducible biomarkers that can be used in public health and clinical research.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».