Air pollution and DNA methylation: effects of exposure in humans
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Air pollution exposure is estimated to contribute to approximately seven million early deaths every year worldwide and more than 3% of disability-adjusted life years lost. Air pollution has numerous harmful effects on health and contributes to the development and morbidity of cardiovascular disease, metabolic disorders, and a number of lung pathologies, including asthma and chronic obstructive pulmonary disease (COPD). Emerging data indicate that air pollution exposure modulates the epigenetic mark, DNA methylation (DNAm), and that these changes might in turn influence inflammation, disease development, and exacerbation risk. Several traffic-related air pollution (TRAP) components, including particulate matter (PM), black carbon (BC), ozone (O3), nitrogen oxides (NOx), and polyaromatic hydrocarbons (PAHs), have been associated with changes in DNAm; typically lowering DNAm after exposure. Effects of air pollution on DNAm have been observed across the human lifespan, but it is not yet clear whether early life developmental sensitivity or the accumulation of exposures have the most significant effects on health. Air pollution exposure-associated DNAm patterns are often correlated with long-term negative respiratory health outcomes, including the development of lung diseases, a focus in this review. Recently, interventions such as exercise and B vitamins have been proposed to reduce the impact of air pollution on DNAm and health. Ultimately, improved knowledge of how exposure-induced change in DNAm impacts health, both acutely and chronically, may enable preventative and remedial strategies to reduce morbidity in polluted environments.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 découle