Personalized Nutrition Recommendations Improve Plasma Metabolite Concentrations Related to Dietary Intake
Notice bibliographique
Résumé
The objectives of our proof-of-concept study was to assess the efficacy of personalized nutrition interventions on diet and chronic disease risk. Fasting plasma samples were collected at day 1 and day 100 of a cohort of 148 adults (aged 23–65y) volunteers with a median (range) BMI of 25.8 (17.2–48.3). At both time points 119 metabolites were quantitated using LC-MS/MS. Based on their metabolite concentrations and dietary preferences, each participant received their own personalized nutrition recommendations through an AI-assisted online platform and were advised to follow the recommendations for 100 days. Plasma metabolite concentrations from Day 1 and Day 100 were compared using a paired t-test with Holm-Bonferroni correction (P < 0.05). After 100 days, statistically significant changes in acylcarnitine, phosphatidylcholine and amino acid concentrations indicated participants had increased their intakes of omega-3 fats and whole grains and decreased their intakes of saturated fat. For example, Betaine, a biomarker of whole grain intake, increased significantly in concentration from Day 1 to Day 100 [mean (SD): 34.3 (13.2) to 45.3 (15.6) umol/l]. Overall, 55 of the analyzed 119 metabolites’ (46%) concentrations had previously been linked to dietary intake according to a systematic literature search that was used to generate evidence-based personalized nutrition recommendations. Concentrations of 33 (60%) of these 55 metabolites changed significantly. The majority [26 (79%)] of the metabolite concentrations changed in a predicted manner consistent with the literature, particularly those metabolites associated to chronic disease risk. For example, a significant decrease in asymmetric dimethylarginine concentration [mean (SD): 0.54 (0.15) to 0.48 (0.12) umol/L] which is understood to result in a decreased cardiovascular disease risk. Adherence with an evidence-based personalized nutrition plan based on a panel of serum metabolomic data can significantly modify serum metabolite concentrations in a direction that can reduce the risk of chronic disease. Further analysis in how these changes relate to chronic disease risk is warranted. This study was supported by Mitacs and Molecular You.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».