Serum Metabolomic Markers of Protein-Rich Foods and Incident CKD: Results From the Atherosclerosis Risk in Communities Study
Notice bibliographique
Résumé
Rationale & ObjectiveWhile urine excretion of nitrogen estimates total protein intake, biomarkers of specific dietary protein sources have been sparsely studied. Using untargeted metabolomics, this study aimed to identify serum metabolomic markers of six protein-rich foods and to examine whether dietary protein-related metabolites are associated with incident chronic kidney disease (CKD).Study DesignProspective cohort study.Setting & Participants3,726 participants from the Atherosclerosis Risk in Communities (ARIC) study without CKD at baseline.ExposureDietary intake of six protein-rich foods (fish, nuts, legumes, red and processed meat, eggs, poultry), serum metabolites.OutcomesIncident CKD [eGFR <60 mL/min/1.73 m2 with ≥25% eGFR decline relative to visit 1, hospitalization or death related to CKD, or end-stage kidney disease.Analytical ApproachMultivariable linear regression models estimated cross-sectional associations between protein-rich foods and serum metabolites. C-statistics assessed the metabolites’ ability to improve discrimination of highest versus lower three quartiles of intake of protein-rich foods beyond covariates (demographics, clinical factors, health behaviors, and intake of nonprotein food groups). Cox regression models identified prospective associations between protein-related metabolites and incident chronic kidney disease (CKD).ResultsThirty significant associations were identified between protein-rich foods and serum metabolites (fish, n=8; nuts, n=5; legumes, n=0; red and processed meat, n=5; eggs, n=3; poultry, n=9). Metabolites collectively significantly improved discrimination of high intake of protein-rich foods compared to covariates alone (difference in C-statistics=0.033, 0.051, 0.003, 0.024, and 0.025 for fish, nuts, red and processed meat, eggs, and poultry-related metabolites, respectively; p<1.00 x 10-16 for all). Dietary intake of fish was positively associated with 1-docosahexaenoylglycerophosphocholine (22:6n3), which was inversely associated with incident CKD (HR 0.82, 95% CI 0.75-0.89, p=7.81×10-6).LimitationsResidual confounding and sample storage duration.ConclusionsWe identified candidate biomarkers of fish, nuts, red and processed meat, eggs, and poultry. A fish-related metabolite, 1-docosahexaenoylglycerophosphocholine (22:6n3), was associated with lower risk of CKD.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».