Editorial: Metabolomics in Infectious Diseases
Notice bibliographique
Résumé
Metabolomics is an important emerging field of omics technology. While the metabolic pathways in prokaryotic or disease-causing agents are relatively simple compared to those of mammalian hosts, metabolite pools reflect the instant (snapshot) status of cells under healthy or diseased conditions or when infecting the host In humans, immune cells play a major role in the defense against microbial infection. The metabolic pathways of immune cells are under the stringent control of metabolites and small molecules under a quiescent or active state. Any subtle change in the gene expression during the diseased condition can affect the downstream pathways that consist of proteins and metabolites. Metabolites belong to different chemical groups such as amino acids, organic acid, lipids, or amines. Due to their close association with the cellular system, the detection of metabolites can provide the accurate status of the cell and can also be used as biomarkers of disease or drug targets (Rahman and Hasan 2014). Considering the importance of the field of metabolomics, the current research topic aimed to collect articles where metabolites and metabolite detection tools are used for different purposes in infectious disease. Articles published in this issue show how metabolomics can be used as biomarkers of disease during pandemics, use of metabolomics in clinical management of infectious disease, during metabolomics coinfection of virus and bacteria, metabolites associated with inflammatory disease, and specific proteins associated with transport molecules during communicable and noncommunicable disease.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».