Abstract P408: Plasma Metabolomic Profile of Dyslipidemia in Childhood: Genetics of Glucose Regulation in Gestation and Growth (Gen3G) Study
Notice bibliographique
Résumé
Objective: Dyslipidemia is a major risk factor for atherosclerosis development. Evidence suggests atherosclerotic plaque accumulation can begin in childhood and lead to adverse cardiovascular events into adulthood. The use of metabolomics to identify metabolites specific to dyslipidemia may provide insights into the pathogenesis of cardiovascular-related outcomes. Thus, our aim was to identify metabolite networks associated with dyslipidemia in childhood. Methods: We used cross-sectional data from 326 children (median age of 5.2 years) from Gen3G, a prospective pre-birth cohort. We evaluated 1,038 plasma metabolites (798 annotated and 240 unannotated). Lipid measures included total cholesterol, non-HDL, LDL, triglyceride, and HDL. Using the AHA and the American Academy of Pediatrics guidelines, we identified normal and borderline/high classifications for each lipid. We applied weighted-correlation network analysis to find highly correlated metabolite networks. Spearman’s partial correlations were applied to assess the associations of lipids with metabolite networks, adjusting for age and sex, with false discovery rate correction. Results: We identified a green module of 120 metabolites, mainly comprised of lipids, that showed positive correlations with total cholesterol, non-HDL, and LDL classified as borderline/high vs normal (ρ adjusted = 0.28 to 0.40) and as continuous measures (ρ adjusted = 0.32 to 0.63), while HDL (borderline/high vs normal) was inversely associated ( Figure ). In this module, sphingomyelin (d18:2/16:0, d18:1/16:1)* and sphingomyelin (d18:2/23:0, d18:1/23:1, d17:1/24:1)* appeared to be driving the associations. Also, the blue and yellow modules showed inverse correlations (mainly driven by 10-nonadecenoate (19:1n9) and 3-hydroxyhexanoate, respectively), while the brown module showed positive correlations with triglyceride (driven by 1-palmitoyl-GPC (16:0)). Conclusions: A unique network of metabolites was associated with dyslipidemia in childhood.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».