Obesity and accelerated epigenetic aging in a high-risk cohort of children
Notice bibliographique
Résumé
New insights into mechanisms linking obesity to poor health outcomes suggest a role for cellular aging pathways, casting obesity as a disease of accelerated biological aging. Although obesity has been linked to accelerated epigenetic aging in middle-aged adults, the impact during childhood remains unclear. We tested the association between body mass index (BMI) and accelerated epigenetic aging in a cohort of high-risk children. Participants were children (N = 273, aged 8 to 14 years, 82% investigated for maltreatment) recruited to the Child Health Study, an ongoing prospective study of youth investigated for maltreatment and a comparison youth. BMI was measured as a continuous variable. Accelerated epigenetic aging of blood leukocytes was defined as the age-adjusted residuals of several established epigenetic aging clocks (Horvath, Hannum, GrimAge, PhenoAge) along with a newer algorithm, the DunedinPoAm, developed to quantify the pace-of-aging. Hypotheses were tested with generalized linear models. Higher age-and sex- adjusted z-scored BMI was significantly correlated with household income, blood cell counts, and three of the accelerated epigenetic aging measures: GrimAge (r = 0.31, P < .0001), PhenoAge (r = 0.24, P < .0001), and DunedinPoAm (r = 0.38, P < .0001). In fully adjusted models, GrimAge (β = 0.07; P = .0009) and DunedinPoAm (β = 0.0017; P < .0001) remained significantly associated with higher age- and sex-adjusted z-scored BMI. Maltreatment-status was not associated with accelerated epigenetic aging. In a high-risk cohort of children, higher BMI predicted epigenetic aging as assessed by two epigenetic aging clocks. These results suggest the association between obesity and accelerated epigenetic aging begins in early life, with implications for future morbidity and mortality risk.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».