Prenatal maternal distress and immune cell epigenetic profiles at 3‐months of age
Notice bibliographique
Résumé
BACKGROUND: Prenatal maternal distress predicts altered offspring immune outcomes, potentially via altered epigenetics. The role of different kinds of prenatal maternal distress on DNA methylation profiles is not understood. METHODS: A sample of 117 women (APrON cohort) were followed from pregnancy to the postpartum period. Maternal distress (depressive symptoms, pregnancy-specific anxiety, stressful life events) were assessed mid-pregnancy, late-pregnancy, and 3-months postpartum. DNA methylation profiles were obtained from 3-month-old blood samples. Principal component analysis identified two epigenetic components, characterized as Immune Signaling and DNA Transcription through gene network analysis. Covariates were maternal demographics, pre-pregnancy body mass index, child sex, birth gestational age, and postpartum maternal distress. Penalized regression (LASSO) models were used. RESULTS: Late-pregnancy stressful life events, b = 0.006, early-pregnancy depressive symptoms, b = 0.027, late-pregnancy depressive symptoms, b = 0.014, and pregnancy-specific anxiety during late pregnancy, b = -0.631, were predictive of the Immune Signaling component, suggesting that these aspects of maternal distress could affect methylation in offspring immune signaling pathways. Only early-pregnancy depressive symptoms was predictive of the DNA Transcription component, b = -0.0004, suggesting that this aspect of maternal distress is implicated in methylation of offspring DNA transcription pathways. CONCLUSIONS: Exposure timing and kind of prenatal maternal distress could matter in the prediction of infant immune epigenetic profiles.
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) | 0,001 | 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 ».