Glucose Tolerance, Lipids, and GLP‐1 Secretion in JCR:LA‐cp Rats Fed a High Protein Fiber Diet
Notice bibliographique
Résumé
BACKGROUND: We have shown that individually, dietary fiber and protein increase secretion of the anorexigenic and insulinotropic hormone, glucagon-like peptide-1 (GLP-1). OBJECTIVE: Our objective was to combine, in one diet, high levels of fiber and protein to maximize GLP-1 secretion, improve glucose tolerance, and reduce weight gain. METHODS AND PROCEDURES: Lean (+/?) and obese (cp/cp) male James C Russell corpulent (JCR:LA-cp) rats lacking a functional leptin receptor were fed one of four experimental diets (control, high protein (HP), high fiber (HF, prebiotic fiber inulin), or combination (CB)) for 3 weeks. An oral glucose tolerance test (OGTT) was performed to evaluate plasma GLP-1, insulin and glucose. Plasma lipids and intestinal proglucagon mRNA expression were determined. RESULTS: Energy intake was lower with the HF diet in lean and obese rats. Weight gain did not differ between diets. Higher colonic proglucagon mRNA in lean rats fed a CB diet was associated with higher GLP-1 secretion during OGTT. The HP diet significantly reduced plasma glucose area under the curve (AUC) during OGTT in obese rats, which reflected both an increased GLP-1 AUC and higher fasting insulin. Diets containing inulin resulted in the lowest plasma triglyceride and total cholesterol levels. DISCUSSION: Overall, combining HP with HF in the diet increased GLP-1 secretion in response to oral glucose, but did not improve glucose tolerance or lipid profiles more than the HF diet alone did. We also suggest that glycemic and insulinemic response to prebiotics differ among rat models and future research work should examine their role in improving glucose tolerance in diet-induced vs. genetic obesity with overt hyperleptinemia.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».