Plasma Metabolite Profiles Associated with the Amount and Source of Meat and Fish Consumption and the Risk of Type 2 Diabetes
Notice bibliographique
Résumé
SCOPE: Consumption of meat has been associated with a higher risk of type 2 diabetes (T2D), but if plasma metabolite profiles associated with these foods reflect this relationship is unknown. The objective is to identify a metabolite signature of consumption of total meat (TM), red meat (RM), processed red meat (PRM), and fish and examine if they are associated with T2D risk. METHODS AND RESULTS: The discovery population includes 1833 participants from the PREDIMED trial. The internal validation sample includes 1522 participants with available 1-year follow-up metabolomic data. Associations between metabolites and TM, RM, PRM, and fish are evaluated with elastic net regression. Associations between the profiles and incident T2D are estimated using Cox regressions. The profiles included 72 metabolites for TM, 69 for RM, 74 for PRM, and 66 for fish. After adjusting for T2D risk factors, only profiles of TM (Hazard Ratio (HR): 1.25, 95% CI: 1.06-1.49), RM (HR: 1.27, 95% CI: 1.07-1.52), and PRM (HR: 1.27, 95% CI: 1.07-1.51) are associated with T2D. CONCLUSIONS: The consumption of TM, its subtypes, and fish is associated with different metabolites, some of which have been previously associated with T2D. Scores based on the identified metabolites for TM, RM, and PRM show a significant association with T2D 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 | 0,001 | 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 | 0,001 |
| 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 ».