MétaCan
Menu
Retour à la cohorte
Enregistrement W3106630532 · doi:10.3390/nu12123718

Do Eicosapentaenoic Acid and Docosahexaenoic Acid Have the Potential to Compete against Each Other?

2020· review· en· W3106630532 sur OpenAlexafffund
Anandita Pal, Adam H. Metherel, Lauren Fiabane, Nicole Buddenbaum, Richard P. Bazinet, Saame Raza Shaikh

Notice bibliographique

RevueNutrients · 2020
Typereview
Langueen
DomaineNursing
ThématiqueFatty Acid Research and Health
Établissements canadiensCanada Research ChairsUniversity of Toronto
Organismes subventionnairesNational Institute of Environmental Health SciencesNatural Sciences and Engineering Research Council of CanadaNational Institutes of Health
Mots-clésDocosahexaenoic acidEicosapentaenoic acidDocosapentaenoic acidPolyunsaturated fatty acidBiochemistryChemistryFatty acidFood scienceBiology

Résumé

récupéré en direct d'OpenAlex

Eicosapentaenoic acid (EPA) and docosahexaenoic acid (DHA) are n-3 polyunsaturated fatty acids (PUFAs) consumed in low abundance in the Western diet. Increased consumption of n-3 PUFAs may have beneficial effects for a wide range of physiological outcomes including chronic inflammation. However, considerable mechanistic gaps in knowledge exist about EPA versus DHA, which are often studied as a mixture. We suggest the novel hypothesis that EPA and DHA may compete against each other through overlapping mechanisms. First, EPA and DHA may compete for residency in membrane phospholipids and thereby differentially displace n-6 PUFAs, which are highly prevalent in the Western diet. This would influence biosynthesis of downstream metabolites of inflammation initiation and resolution. Second, EPA and DHA exert different effects on plasma membrane biophysical structure, creating an additional layer of competition between the fatty acids in controlling signaling. Third, DHA regulates membrane EPA levels by lowering its rate of conversion to EPA's elongation product n-3 docosapentaenoic acid. Collectively, we propose the critical need to investigate molecular competition between EPA and DHA in health and disease, which would ultimately impact dietary recommendations and precision nutrition trials.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,985
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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 Opus0,050
Tête enseignante GPT0,360
Écart entre enseignants0,310 · 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 tête enseignante, pas un consensus.

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

Citations61
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNutrientsMême sujetFatty Acid Research and HealthTravaux en français237 207