Protective Roles of Prebiotics and Probiotics Against Environmental Pollutant‐Induced Toxicities: A Systematic Review of Animal Studies
Notice bibliographique
Résumé
Environmental pollutants, including heavy metals, organic pollutants, and mycotoxins, cause various adverse health effects linked to inflammation and oxidative stress. These toxicities disrupt gut microbiota composition and function, which prebiotics and probiotics may counteract. This study systematically reviewed the effects of prebiotics, probiotics, synbiotics, and commensal gut microbiota on pollutant-induced toxicities in animal models. A literature search was conducted using Scopus, PubMed, Embase, Web of Science, and Google Scholar databases up to January 2025, following PRISMA guidelines. Study quality was assessed using the SYRCLE risk of bias tool, and reliability was evaluated with the ToxRTool. Fifty-four studies investigating prebiotics, probiotics, synbiotics, or commensal microbiota in rats, mice, or zebrafish were included. While 98% of studies were considered reliable, only 18% were rated as good quality due to biases in selection, performance, and detection. Probiotics, prebiotics, synbiotics, and gut microbiota reduced heavy metal absorption and increased fecal excretion. They also improved gut barrier integrity and reduced intestinal permeability in animals exposed to heavy metals. Additionally, probiotics and prebiotics enhanced antioxidant activity and triggered anti-inflammatory responses in animals exposed to heavy metals, mycotoxins, and organic pollutants. Overall, this review supports the role of microbiota, probiotics, prebiotics, and synbiotics in mitigating pollutant-induced toxicities, though future studies should address common bias issues.
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 | 0,007 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,010 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».