Meta-analysis identifies common gut microbiota associated with multiple sclerosis
Notice bibliographique
Résumé
BACKGROUND: Previous studies have identified a diverse group of microbial taxa that differ between patients with multiple sclerosis (MS) and the healthy population. However, interpreting findings on MS-associated microbiota is challenging, as there is no true consensus. It is unclear whether there is gut microbiota commonly altered in MS across studies. METHODS: To answer this, we performed a meta-analysis based on the 16S rRNA gene sequencing data from seven geographically and technically diverse studies comprising a total of 524 adult subjects (257 MS and 267 healthy controls). Analysis was conducted for each individual study after reprocessing the data and also by combining all data together. The blocked Wilcoxon rank-sum test and linear mixed-effects regression were used to identify differences in microbial composition and diversity between MS and healthy controls. Network analysis was conducted to identify bacterial correlations. A leave-one-out sensitivity analysis was performed to ensure the robustness of the findings. RESULTS: The microbiome community structure was significantly different between studies. Re-analysis of data from individual studies revealed a lower relative abundance of Prevotella in MS across studies, compared to controls. Meta-analysis found that although alpha and beta diversity did not differ between MS and controls, a higher abundance of Actinomyces and a lower abundance of Faecalibacterium were reproducibly associated with MS. Additionally, network analysis revealed that the recognized negative Bacteroides-Prevotella correlation in controls was disrupted in patients with MS. CONCLUSIONS: Our meta-analysis identified common gut microbiota associated with MS across geographically and technically diverse studies.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».