Influence of Long-Term Diabetes on Renal Glycogen Metabolism in the Rat
Notice bibliographique
Résumé
BACKGROUND/AIMS: The effects of acute insulin deficiency on the kidney have been investigated in animal models of experimental diabetes; however, the impact of long-term diabetes has not been determined. METHODS: We measured renal glycogen contents in streptozotocin (STZ)-diabetic rats 3 weeks (n = 12) or 9 months (n = 12) after the induction of diabetes, and in 2 groups of control rats of similar age (n = 16 and n = 12, respectively), in the fed state and after a 24-hour fast. RESULTS: Diabetic rats had high glucose levels, low insulin but normal glucagon concentrations in portal blood. In the fasting state, kidney glycogen content was very low in both young control and young diabetic rats (54 +/- 15 and 189 +/- 26 microg/g, respectively, mean +/- SD); in contrast, glycogen levels were markedly elevated in rats with long-standing diabetes as compared to old nondiabetic animals (2,628 +/- 1,023 +/- and 1,968 +/- 989 microg/g of diabetic rat, fasting and fed, respectively, p < 0.001 vs. 0 +/- 0 and 4 +/- 6 microg/g of control rats). On electron microscopy, large glycogen clusters were localized to the renal tubules. Kidney phosphorylase activity was higher, and synthase activity lower in diabetic than control rats (p < 0.05 for both), whereas kidney glycogen was strongly related to plasma glucose levels, suggesting that the enzyme changes were secondary to glycogen accumulation itself. Renal hexosephosphates and fructose-2,6-bisphosphate contents were both increased in long-term diabetic rats (p < 0.05), implying enhanced fluxes through both glycolysis and gluconeogenesis. CONCLUSION: In chronic, untreated diabetes glycogen accumulates in the renal tubules; prolonged hyperglycemia is the sole driving force for this phenomenon.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».