Association between infectious exposures in infancy and epigenetic age acceleration in young adulthood in metropolitan Cebu, Philippines
Notice bibliographique
Résumé
OBJECTIVES: The drivers of human life expectancy gains over the past 200 years are not well-established, with a potential role for historical reductions in infectious disease. We investigate whether infectious exposures in infancy predict biological aging using DNA methylation-based markers that forecast patterns of morbidity and mortality later in life. METHODS: N = 1450 participants from the Cebu Longitudinal Health and Nutrition Survey-a prospective birth cohort initiated in 1983-provided complete data for the analyses. Mean chronological age was 20.9 years when venous whole blood samples were drawn for DNA extraction and methylation analysis, with subsequent calculation of three epigenetic age markers: Horvath, GrimAge, and DunedinPACE. Unadjusted and adjusted least squares regression models were evaluated to test the hypothesis that infectious exposures in infancy are associated with epigenetic age. RESULTS: Birth in the dry season, a proxy measure for increased infectious exposure in the first year of life, as well as the number of symptomatic infections in the first year of infancy, predicted lower epigenetic age. Infectious exposures were associated with the distribution of white blood cells in adulthood, which were also associated with measures of epigenetic age. CONCLUSIONS: We document negative associations between measures of infectious exposure in infancy and DNA methylation-based measures of aging. Additional research, across a wider range of epidemiological settings, is needed to clarify the role of infectious disease in shaping immunophenotypes and trajectories of biological aging and human life expectancy.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».