MétaCan
Menu
Retour à la cohorte
Enregistrement W4205859158 · doi:10.3389/fimmu.2021.771136

Airway Microbiome and Serum Metabolomics Analysis Identify Differential Candidate Biomarkers in Allergic Rhinitis

2022· article· en· W4205859158 sur OpenAlexfundno aff
Yuze Yuan, Chao Wang, Guoqiang Wang, Xiaoping Guo, Shengyu Jiang, Xu Zuo, Xinlei Wang, Alan Hsu, Mingran Qi, Fang Wang

Notice bibliographique

RevueFrontiers in Immunology · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueAllergic Rhinitis and Sensitization
Établissements canadiensnon disponible
Organismes subventionnairesJilin UniversityPeople's Government of Jilin ProvinceMcGill University
Mots-clésMetabolomicsMicrobiomeMetabolomeBiologyDysbiosisPrevotellaPathogenesisImmunologyFatty acid metabolismBioinformaticsGeneticsFatty acidBiochemistryBacteria

Résumé

récupéré en direct d'OpenAlex

Allergic rhinitis (AR) is a common heterogeneous chronic disease with a high prevalence and a complex pathogenesis influenced by numerous factors, involving a combination of genetic and environmental factors. To gain insight into the pathogenesis of AR and to identity diagnostic biomarkers, we combined systems biology approach to analyze microbiome and serum composition. We collected inferior turbinate swabs and serum samples to study the microbiome and serum metabolome of 28 patients with allergic rhinitis and 15 healthy individuals. We sequenced the V3 and V4 regions of the 16S rDNA gene from the upper respiratory samples. Metabolomics was used to examine serum samples. Finally, we combined differential microbiota and differential metabolites to find potential biomarkers. We found no significant differences in diversity between the disease and control groups, but changes in the structure of the microbiota. Compared to the HC group, the AR group showed a significantly higher abundance of 1 phylum ( Actinobacteria ) and 7 genera ( Klebsiella , Prevotella and Staphylococcus , etc. ) and a significantly lower abundance of 1 genus ( Pelomonas ). Serum metabolomics revealed 26 different metabolites (Prostaglandin D2, 20-Hydroxy-leukotriene B4 and Linoleic acid, etc. ) and 16 disrupted metabolic pathways (Linoleic acid metabolism, Arachidonic acid metabolism and Tryptophan metabolism, etc. ). The combined respiratory microbiome and serum metabolomics datasets showed a degree of correlation reflecting the influence of the microbiome on metabolic activity. Our results show that microbiome and metabolomics analyses provide important candidate biomarkers, and in particular, differential genera in the microbiome have also been validated by random forest prediction models. Differential microbes and differential metabolites have the potential to be used as biomarkers for the diagnosis of allergic rhinitis.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,101
Score d'incertitude au seuil0,825

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,007
Tête enseignante GPT0,230
Écart entre enseignants0,223 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations64
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in ImmunologyMême sujetAllergic Rhinitis and SensitizationTravaux en français237 207