Pre-diagnostic serum metabolome and breast cancer risk: a nested case-control study
Notice bibliographique
Résumé
BACKGROUND: Metabolomics offers a promising approach to identify biomarkers for timely intervention and enhanced screening of individuals at increased risk of developing breast cancer. METHODS: We conducted a study of 593 female breast cancer cases and 593 matched controls nested in two prospective cohort studies. Mass spectrometry, without liquid chromatography, was used to conduct untargeted metabolomics profiling of serum samples collected, on average, 5.3 years before cancer diagnosis. Logistic regression was used to estimate odds ratios (OR) for a one standard deviation increase of metabolite intensities. Partial least squares discriminant analyses were applied to those metabolites significantly associated with breast cancer to develop risk prediction models. RESULTS: Associations were evaluated with a total of 837 metabolites. Twenty-four metabolites were significantly associated with overall breast cancer risk, including 13 associated with decreased risk and 11 associated with increased risk. Putative identities of the metabolites included various amino acids (n = 3), dietary factors (n = 10), fatty acids (n = 2), phosplipids (n = 4), sex hormone derivatives (n = 2), and xenobiotics (n = 3). For example, a metabolite identified as acetyl tributyl citrate, a plasticizer in food wrappings, was associated with an increased risk of breast cancer (OR = 1.21; 95% CI: 1.07-1.37). Risk prediction models for overall breast cancer and the various subtypes were found to have modest levels of prediction accuracy (area under the curve ranged from 0.60 to 0.63). CONCLUSIONS: Additional studies are needed to confirm the identities of the metabolites and validate their associations with breast cancer risk. Metabolomics should be evaluated in conjunction with other 'omics' technologies for creation of clinically useful risk prediction models.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».