Comparison of diet and exercise on cardiometabolic factors in young adults with overweight/obesity: multiomics analysis and gut microbiota prediction, a randomized controlled trial
Notice bibliographique
Résumé
Abstract The optimal strategy for improving cardiometabolic factors (CMFs) in young obese individuals through diet and exercise remains unclear, as do the potential mechanisms. We conducted an 8‐week randomized controlled trial to compare the effects of different interventions in youth with overweight/obesity. Gut microbes and serum metabolites were examined to identify regulating mechanisms. A total of 129 undergraduates were randomly assigned to fiber‐rich (FR) diet, rope‐skipping (RS), combined FR–RS and control groups. The results showed that single interventions were as effective as combined interventions in improving weight, waist circumference, body fat, and lipid profile compared with control group. Notably, the FR group further reduced low‐density lipoprotein (LDL‐C) and uric acid (UA) (all p < 0.05). Mediation analysis revealed four gut microbiota–metabolite–host axes in improving CMFs. Additionally, we used machine learning algorithms to further predict individual responses based on baseline gut microbiota composition, with specific microbial genera guiding targeted intervention selection. In conclusion, FR diet and/or RS were effective in improving CMFs, with the FR diet particular effectiveness in reducing LDL‐C and UA levels. These benefits may drive by gut microbiome–metabolite–host interactions. Moreover, the predictability of gut microbiota composition supports making targeted decisions in selecting interventions. Trial Registration: NCT04834687.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».