The Urinary Metabolome of Newborns with Perinatal Complications
Notice bibliographique
Résumé
Maternal pathological conditions such as infections and chronic diseases, along with unexpected events during labor, can lead to life-threatening perinatal outcomes. These outcomes can have irreversible consequences throughout an individual's entire life. Urinary metabolomics can provide valuable insights into early physiological adaptations in healthy newborns, as well as metabolic disturbances in premature infants or infants with birth complications. In the present study, we measured 180 metabolites and metabolite ratios in the urine of 13 healthy (hospital-discharged) and 38 critically ill newborns (admitted to the neonatal intensive care unit (NICU)). We used an in-house-developed targeted tandem mass spectrometry (MS/MS)-based metabolomic assay (TMIC Mega) combining liquid chromatography (LC-MS/MS) and flow injection analysis (FIA-MS/MS) to quantitatively analyze up to 26 classes of compounds. Average urinary concentrations (and ranges) for 167 different metabolites from 38 critically ill NICU newborns during their first 24 h of life were determined. Similar sets of urinary values were determined for the 13 healthy newborns. These reference data have been uploaded to the Human Metabolome Database. Urinary concentrations and ranges of 37 metabolites are reported for the first time for newborns. Significant differences were found in the urinary levels of 44 metabolites between healthy newborns and those admitted at the NICU. Metabolites such as acylcarnitines, amino acids and derivatives, biogenic amines, sugars, and organic acids are dysregulated in newborns with bronchopulmonary dysplasia (BPD), asphyxia, or newborns exposed to SARS-CoV-2 during the intrauterine period. Urine can serve as a valuable source of information for understanding metabolic alterations associated with life-threatening perinatal outcomes.
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 | 0,000 | 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 ».