Metabolomic analysis of pancreatic β-cell insulin release in response to glucose
Notice bibliographique
Résumé
Defining the key metabolic pathways that are important for fuel-regulated insulin secretion is critical to providing a complete picture of how nutrients regulate insulin secretion. We have performed a detailed metabolomics study of the clonal β-cell line 832/13 using a gas chromatography-mass spectrometer (GC-MS) to investigate potential coupling factors that link metabolic pathways to insulin secretion. Mid-polar and polar metabolites, extracted from the 832/13 β-cells, were derivatized and then run on a GC/MS to identify and quantify metabolite concentrations. Three hundred fifty-five out of 527 chromatographic peaks could be identified as metabolites by our metabolomic platform. These identified metabolites allowed us to perform a systematic analysis of key pathways involved in glucose-stimulated insulin secretion (GSIS). Of these metabolites, 41 were consistently identified as biomarker for GSIS by orthogonal partial least-squares (OPLS). Most of the identified metabolites are from common metabolic pathways including glycolytic, sorbitol-aldose reductase pathway, pentose phosphate pathway, and the TCA cycle suggesting these pathways play an important role in GSIS. Lipids and related products were also shown to contribute to the clustering of high glucose sample groups. Amino acids lysine, tyrosine, alanine and serine were upregulated by glucose whereas aspartic acid was downregulated by glucose suggesting these amino acids might play a key role in GSIS. In summary, a coordinated signaling cascade elicited by glucose metabolism in pancreatic β-cells is revealed by our metabolomics platform providing a new conceptual framework for future research and/or drug discovery.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 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 ».