MétaCan
Menu
Retour à la cohorte
Enregistrement W4412845682 · doi:10.1080/19390211.2025.2539876

Yeast Beta-Glucan Enhances Antibody Response Following Influenza Vaccination – A Double-Blind, Randomized, Placebo-Controlled Pilot Trial

2025· article· en· W4412845682 sur OpenAlexaff
Melissa L. Moreno, Carmelo Nieves, Kaylan B Hebert, Daniela Rivero‐Mendoza, James Colee, Thomas A. Tompkins, Wendy J. Dahl

Notice bibliographique

RevueJournal of Dietary Supplements · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueHerbal Medicine Research Studies
Établissements canadiensLallemand (Canada)
Organismes subventionnairesnon disponible
Mots-clésVaccinationMedicinePlaceboImmunologyAntibody titerTiterAntibodyHemagglutination assayAntigenInternal medicine

Résumé

récupéré en direct d'OpenAlex

Yeast beta-glucans demonstrate immune-modulating effects; however, few studies have explored the potential of yeast beta-glucans to enhance immune response to vaccination. This pilot study aimed to assess the adjuvant effect of a yeast beta-glucan supplementation on antibody titer response to influenza vaccination. Adults (n = 90; 70.7 ± 10.1 years) were recruited over two vaccination seasons and randomized to receive 500 mg of beta-glucan or placebo (500 mg cellulose) daily in a double-blind study design. Pre- and 4 wk post-vaccination serum influenza-specific antibody titers were assessed using an optimized Hemagglutination Inhibition (HI) assay. Plasma cytokines 24 h post-vaccination were quantified by immunoassay. Cold and flu symptoms, using the Modified Jackson Criteria, fever, and self-perceived fatigue were monitored daily. Linear mixed models were used to test for differences in the fixed effects of time, treatment, and their interactions. In season 1 (Fall 2022), despite a baseline suggesting seroprotection for the Influenza A (H3N2 A/Wisconsin/67/2005) in 92% of the beta-glucan group and 74% of the placebo group, the post-vaccination antibody titer response (Δ = 95.8) favored beta-glucan over placebo (p = 0.037). Influenza B/Austria/1359417/2021 antigen demonstrated poor detection; 7 of the 10 HI detectible antibody responses seen were in the beta-glucan group. In season 2 (Fall 2023), the Influenza A (H1N1 A/Victoria/4897/2022) antigen demonstrated poor detection (14%), which precluded further cohort analyses. Of the cytokines, interferon-gamma (IFN-γ) increased similarly in both groups after vaccination, not supporting the adjuvant action of beta-glucan at the cellular level. Reported cold and flu symptoms were low in both groups and did not differ. Overall, the findings suggest that yeast beta-glucan supplementation may elicit a greater change in antibody titer to seasonal influenza vaccination. However, confirmation is needed with a larger sample of older adults and with follow-up to assess protection from disease. Clinical trial registry number and website: https://clinicaltrials.gov/study/NCT05074303.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0040,002
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,060
Tête enseignante GPT0,433
Écart entre enseignants0,373 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Dietary SupplementsMême sujetHerbal Medicine Research StudiesTravaux en français237 207