MétaCan
Menu
Retour à la cohorte
Enregistrement W4310806176 · doi:10.3389/fnut.2022.992682

Intake of slow-digesting carbohydrates is related to changes in the microbiome and its functional pathways in growing rats with obesity induced by diet

2022· article· en· W4310806176 sur OpenAlexaff
Julio Plaza‐Díaz, Manuel Manzano, Francisco Javier Ruiz‐Ojeda, María D. Girón, Rafael Salto, José M. López-Pedrosa, A. Santos-Fandila, Maria Teresa Garcia-Corcoles, Ricardo Rueda, Ángel Gil

Notice bibliographique

RevueFrontiers in Nutrition · 2022
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueGut microbiota and health
Établissements canadiensChildren's Hospital of Eastern Ontario
Organismes subventionnairesUniversidad de GranadaFundación Ramón ArecesAbbott Laboratories
Mots-clésBiologyMetagenomicsGut floraFood scienceMicrobiomeDigestion (alchemy)ObesityFood groupPrebioticBiochemistryEndocrinologyBioinformaticsMedicineChemistryGene

Résumé

récupéré en direct d'OpenAlex

Introduction The main cause of insulin resistance in childhood is obesity, which contributes to future comorbidities as in adults. Although high-calorie diets and lack of exercise contribute to metabolic disease development, food quality rather than the quantity of macronutrients is more important than food density. The purpose of the present study was to examine the effects of changing the quality of carbohydrates from rapidly to slowly digestible carbohydrates on the composition of the gut microbiota and the profiles of the functional pathways in growing rats with obesity due to a high-fat diet (HFD). Methods During the course of 4 weeks, rats growing on an HFD-containing carbohydrates with different digestive rates were fed either HFD-containing carbohydrates with a rapid digestion rate (OBE group) or HFD-containing carbohydrates with a slow digestion rate (OBE-ISR group). A non-obese group (NOB) was included as a reference, and rats were fed on a rodent standard diet (AIN93G). An analysis of gut microbiota was conducted using 16S rRNA-based metagenomics; a linear mixed-effects model (LMM) was used to determine changes in abundance between baseline and 4 weeks of treatment, and functional pathways were identified. Gut microbiota composition at bacterial diversity and relative abundance, at phylum and genus levels, and functional profiles were analyzed by integrating the Integrated Microbial Genomes (IMG) database. Results The groups showed comparable gut microbiota at baseline. At the end of the treatment, animals from the ISR group exhibited differences at the phylum levels by decreasing the diversity of Fisher’s index and Firmicutes (newly named as Bacillota ), and increasing the Pielou’s evenness and Bacteroidetes (newly named as Bacteroidota ); at the genus level by increasing Alistipes, Bifidobacterium , Bacteroides , Butyricimonas , Lachnoclostridium , Flavonifractor , Ruminiclostridium 5 , and Faecalibaculum and decreasing Muribaculum , Blautia , and Ruminiclostridium 9 . Remarkably, relative abundances of genera Tyzzerella and Angelakisella were higher in the OBE group compared to NOB and OBE-ISR groups. In addition, some microbiota carbohydrate metabolism pathways such as glycolysis, glucuronic acid degradation, pentose phosphate pathway, methanogenesis, and fatty acid biosynthesis exhibited increased activity in the OBE-ISR group after the treatment. Higher levels of acetate and propionate were found in the feces of the ISR group compared with the NOB and OBE groups. Conclusion The results of this study demonstrate that replacing rapidly digestible carbohydrates with slowly digestible carbohydrates within an HFD improve the composition of the gut microbiota. Consequently, metabolic disturbances associated with obesity may be prevented.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,088
Score d'incertitude au seuil0,348

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,210
Écart entre enseignants0,199 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations26
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in NutritionMême sujetGut microbiota and healthTravaux en français237 207