Convicting a wrong molecule?
Notice bibliographique
Résumé
To the Editor, Dr. Tilg's brilliant insights on metabolic diseases are well-known.However, we do not agree with his commentary on artificial sweeteners appeared in the New England Journal of Medicine [1].The results presented by numerous bench scientists require a focused re-appraisal, because these scientists are not familiar with confounding or biases [2].For example, Dr. Tilg quoted the report by Zani et al. that sucralose inhibited T-cell mobilization in mice.Since sugar is the key energy source for immune-activation [3], this study proves that sucralose is not a major source of sugar.The second article Dr. Tilg quoted was by Suez et al. who fed mice a high fat diet and saccharin and observed glucose intolerance.High fat diet is an independent risk factor for glucose intolerance [4].Thus, we cannot blame saccharin as the true culprit of glucose intolerance when two risk factors coexist.The third article Dr. Tilg cited was Witkowski and colleagues' report.They claimed that erythritol increased platelet activation.However, the process generating platelet-richplasma which Witkowski et al. used can activate platelets [5].Moreover, erythritol can be synthesized endogenously from glucose via the pentose-phosphate-pathway and those who developed obesity have 15-fold higher blood erythritol levels than those without obesity [6].Thus, glucose may be the key contributor to obesity which activates platelets.When we examined the distribution of CVD risk factors per erythritol levels from Witkowski et al.'s supplementary table (our Table 1), highly positive correlations between cardiovascular risk factors and erythritol levels emerged.Thus, it is likely that major cardiac events in the study of Witkowski et al. may be due to the underlying cardiovascular risk factors and erythritol may be an epiphenomenon.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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 ».