Associations of Plasma Lipidomic Profiles with Uric Acid and Hyperuricemia Risk in Middle-Aged and Elderly Chinese
Notice bibliographique
Résumé
Abstract Little is known about the links of disturbed lipid metabolism with hyperuricemia (HUA). We aimed to investigate the associations of lipidomic profiles with uric acid (UA)/HUA and their modifying factors in middle-aged and elderly Chinese. A total of 350 lipids were quantified in 2247 community-based Chinese aged 50–70 years by high-coverage targeted lipidomics. HUA was defined by plasma UA > 420 μmol/L in men or > 360 μmol/L in women. The prevalence of HUA in this population was 10.4%. After multivariable adjustment including BMI and lifestyle, 123 lipids were significantly associated with UA, predominantly glycerolipids (GLs) and glycerophospholipids (GPs). Specifically, diacylglycerol [DAG (16:0/22:5), DAG (16:0/22:6), DAG (18:1/20:5), DAG (18:1/22:6)], phosphatidylcholine [PC (16:0/20:5)), and triacylglycerol (TAG (53:0)] were the most significant lipid signatures positively associated with HUA risk, while lysophosphatidylcholine (LPC (20:2)) was inversely associated with HUA risk ( p < 0.05). Network analysis also showed a positive association between TAGs/PCs/DAGs contained module and HUA risk ( p < 0.01). Notably, HUA-related lipids were associated with de novo lipogenesis fatty acids, especially 16:1n-7 (Spearman correlation coefficients = 0.32–0.41, p < 0.001). Reduced rank regression showed that increased aquatic products intake was correlated to elevated HUA risk and HUA-associated lipids; while high dairy consumption was correlated with low level of HUA-associated lipids (|factor loadings| ≥ 0.2). Moreover, mediation analyses suggested that the lipid-HUA associations were partially mediated by retinol-binding protein 4 (RBP4, mediation proportion 5–14%), an adipokine linked with dyslipidemia and insulin resistance. In conclusion, disturbed specific metabolisms of GLs and GPs were associated with high prevalent HUA, partially mediated by RBP4 and/or influenced by certain dietary factors.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».