Distinct Serum and Fecal Metabolite Profiles Linking With Gut Microbiome in Older Adults With Frailty
Notice bibliographique
Résumé
Frailty is a critical aging-related syndrome but the underlying metabolic mechanism remains poorly understood. The aim of this study was to identify novel biomarkers and reveal potential mechanisms of frailty based on the integrated analysis of metabolome and gut microbiome. In this study, twenty subjects consisted of five middle-aged adults and fifteen older adults, of which fifteen older subjects were divided into three groups: non-frail, pre-frail, and frail, with five subjects in each group. The presence of frailty, pre-frailty, or non-frailty was established according to the physical frailty phenotype (PFP). We applied non-targeted metabolomics to serum and feces samples and used 16S rDNA gene sequencing to detect the fecal microbiome. The associations between metabolites and gut microbiota were analyzed by the Spearman’s correlation analysis. Serum metabolic shifts in frailty mainly included fatty acids and derivatives, carbohydrates, and monosaccharides. Most of the metabolites belonging to these classes increased in the serum of frail older adults. Propylparaben was found to gradually decrease in non-frail, pre-frail, and frail older adults. Distinct changes in fecal metabolite profiles and gut microbiota were also found among middle-aged adults, non-frail and frail older subjects. The relative abundance of Faecalibacteriu , Roseburia , and Fusicatenibacter decreased while the abundance of Parabacteroides and Bacteroides increased in frailty. The above altered microbes were associated with the changed serum metabolites in frailty, which included dodecanedioic acid, D-ribose, D-(-)-mannitol, creatine and indole, and their related fecal metabolites. The changed microbiome and related metabolites may be used as the biomarkers of frailty and is worthy of further mechanistic studies.
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 ».