Quantitative 1H-NMR spectroscopy identifies metabolites and lipoprotein subclasses associated with intermediate phenotypes of chronic diseases in the Japanese Nagahama Study
Notice bibliographique
Résumé
Metabolomics is a powerful molecular phenotyping technology which can be used in population studies to identify metabolites underlying disease conditions. To identify plasma biomarkers potentially predicting chronic diseases we applied 1 H nuclear magnetic resonance (NMR) metabolomics using a 600 MHz spectrometer fitted with an In Vitro Diagnostics Research (IVDr) platform to test associations between 18 known metabolites and 111 lipoprotein constituents that could be quantified and passed our quality control procedure and 944 phenotypes determined in 302 healthy participants of the Japanese Nagahama Study. We identified 907 statistically significant associations ( p < 4.11 × 10 –7 ) between 34 phenotypes and at least one metabolite or lipoprotein. Eight metabolites and 109 lipoprotein (sub)classes showed evidence of associations with phenotypes predominantly related to lipid and cholesterol metabolism, liver function, fatness and hematology. We confirmed previously reported associations between plasma trimethylamine-N-oxide (TMAO) and cholesterol, and between the branched-chain amino acids leucine and valine and body mass index (BMI). BMI and fatness were positively associated with components of plasma LDL-4 and VLDL-1 and the ratios of apolipoproteins A1 to B100 and LDL to HDL cholesterol, whereas they were inversely associated with HDL-1 constituents. HDL-1 and LDL-4 subclasses systematically follow the patterns of association of HDL and LDL, respectively, and we propose that these can be examined to improve cardiometabolic risk evaluation. Results from our study exemplify the power of quantitative NMR-based metabolome profiling applied to even relatively small cohorts of healthy individuals extensively characterized for multiple phenotypes underlying unrelated clinical conditions to identify potentially disease-predicting metabolite biomarkers.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».