Alterations of the microbiome across body sites in systemic lupus erythematosus: A systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Systemic lupus erythematosus (SLE) is a complex autoimmune disease with unclear etiology. Growing evidence suggests the microbiome plays a role in SLE pathogenesis. However, findings are inconsistent across studies due to factors like small sample sizes and geographical variations. A comprehensive meta-analysis is needed to elucidate microbiome alterations in SLE. OBJECTIVE: This study aimed to provide a systematic overview of microbiota dysbiosis across body sites in SLE through a meta-analysis of alpha diversity indices, beta diversity indices, and abundance taxa of microbiome. METHODS: A literature search was conducted across four databases to identify relevant studies comparing SLE patients and healthy controls. Extracted data encompassed alpha and beta diversity metrics, as well as bacterial, fungal, and viral abundance across gut, oral, skin, and other microbiota. Study quality was assessed using the Newcastle-Ottawa Scale. Standardized mean differences and pooled effect sizes were calculated through meta-analytical methods. RESULTS: The analysis showed reduced alpha diversity and distinct beta diversity in SLE, particularly in the gut microbiota. Taxonomic analysis revealed compositional variations in bacteria from the gut and oral cavity. However, results for fungi, viruses, and bacteria from other sites were inconsistent due to limited studies. CONCLUSIONS: This meta-analysis offers a comprehensive perspective on microbiome dysbiosis in SLE patients across diverse body sites and taxa. The observed variations underscore the microbiome's potential role in SLE pathogenesis. Future research should address geographical variations, employ longitudinal designs, and integrate multi-omics approaches.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 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 | 0,000 | 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 ».