Lipidomics Profiling of Patients with Low Bone Mineral Density (LBMD)
Notice bibliographique
Résumé
The relationship between lipid metabolism and bone mineral density (BMD) is still not fully elucidated. Despite the presence of investigations using osteoporotic animal models, clinical studies in humans are limited. In this work, untargeted lipidomics profiling using liquid chromatography-mass spectrometry (LC-MS) analysis of human serum samples was performed to identify the lipidomics profile associated with low bone mineral density (LBMD), with a subsequent examination of potential biomarkers related to OP risk prediction or progression. A total of 69 participants were recruited for this cohort study, including the osteoporotic group (OP, n = 25), osteopenia group (ON, n = 22), and control (Ctrl, n = 22). The LBMD group included OP and ON patients. The lipidomics effect of confounding factors such as age, gender, lipid profile, body mass index (BMD), chronic diseases, and medications was excluded from the dataset. The results showed a clear group separation and clustering between LBMD and Ctrl (Q2 = 0.944, R2 = 0.991), indicating a significant difference in the lipids profile. In addition, 322 putatively identified lipid molecules were dysregulated, with 163 up- and 159 down-regulated in LBMD, compared with the Ctrl. The most significantly dysregulated subclasses were phosphatidylcholines (PC) (n = 81, 25.16% of all dysregulated lipids 322), followed by triacylglycerol (TG) (n = 65, 20.19%), and then phosphatidylethanolamine (PE) (n = 40, 12.42%). In addition, groups of glycerophospholipids, including LPC (7.45%), LPE (5.59%), and PI (2.48%) were also dysregulated as of LBMD. These findings provide insights into the lipidomics alteration involved in bone remodeling and LBMD. and may drive the development of therapeutic targets and nutritional strategies for OP management.
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 ».