Impact of sarcosine on diabetic retinopathy: Findings based on weighted gene co‐expression network analysis and machine learning techniques
Notice bibliographique
Résumé
AIM: To quantify the association between serum sarcosine and diabetic retinopathy (DR) using weighted gene co-expression network analysis (WGCNA). METHODS: We measured serum metabolites in 69 pairs of type 2 diabetes (T2D) patients with and without DR matched by age, gender, body mass index（BMI and HbA1c, using a propensity score matching-based approach. To identify modules and metabolites linked to DR, pathway analysis was performed using WGCNA, the Kyoto Encyclopedia of Genes and Genomes and Small-Molecule Pathway Database. The association of sarcosine with DR was estimated by restricted cubic spline and conditional logistic regression models. Its joint effects with covariates on DR were also extensively examined. RESULTS: With per interquartile range elevation of sarcosine, the adjusted odds ratio (AOR) of DR significantly decreased by 67% (AOR: 0.33, 95% confidence interval [CI]: 0.19-0.58). Similar results were also found in the tertile analysis. Compared with those in the first tertile of sarcosine, the AOR significantly decreased by 54% (AOR: 0.46, 95% CI: 0.18-1.17) and 78% (AOR: 0.22, 95% CI: 0.08-0.59) for subjects in the second and third tertiles, respectively. Compared with subjects with lower sarcosine and lower HDL-C levels, those with higher sarcosine and lower HDL-C levels had the lowest odds of DR (OR: 0.13, 95% CI: 0.04, 0.43). CONCLUSIONS: Serum sarcosine was inversely related to DR, especially in T2D patients with insufficient HDL-C. This study provides insights on a possible novel target for DR precision prevention and control, as well as a better understanding of the DR mechanism.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».