The PPARγ agonist rosiglitazone enhances rat brown adipose tissue lipogenesis from glucose without altering glucose uptake
Notice bibliographique
Résumé
We investigated the mechanisms whereby peroxisome proliferator-activated receptor-gamma (PPARgamma) agonism affects glucose and lipid metabolism in brown adipose tissue (BAT) by studying the impact of PPARgamma activation on BAT glucose uptake and metabolism, lipogenesis, and mRNA levels plus activities of enzymes involved in triacylglycerol (TAG) synthesis. Interscapular BAT of rats treated or not with rosiglitazone (15 mg*kg(-1).day(-1), 7 days) was evaluated in vivo for glucose uptake and lipogenesis and in vitro for glucose metabolism, gene expression, and activities of glycerolphosphate acyltransferase (GPAT), phosphatidate phosphatase-1 (PAP or lipin-1), and diacylglycerol acyltransferase (DGAT). Rosiglitazone increased BAT mass without affecting whole tissue glucose uptake. BAT glycogen content (-80%), its synthesis from glucose (-50%), and mRNA levels of UDP-glucose pyrophosphorylase (-40%), which generates UDP-linked glucose for glycogen synthesis, were all reduced by rosiglitazone. In contrast, BAT TAG-glycerol synthesis in vivo and glucose incorporation into TAG-glycerol in vitro were stimulated by the agonist along with the activities and mRNA levels of glycerol 3-phosphate-generating phosphoenolpyruvate carboxykinase and glycerokinase. Furthermore, rosiglitazone markedly increased the activities of GPAT and DGAT but not those of lipin-1-mediated PAP-1, enzymes involved in the sequential acylation of glycerol 3-phosphate and TAG synthesis. Because an adequate supply of fatty acids is essential for BAT nonshivering thermogenesis, the enhanced ability of BAT to synthesize TAG under PPARgamma activation may constitute an important mechanism by which lipid substrates are stored in preparation for an eventual thermogenic activation.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».