High-content screening identifies a role for Na <sup>+</sup> channels in insulin production
Notice bibliographique
Résumé
Insulin production is the central feature of functionally mature and differentiated pancreatic β-cells. Reduced insulin transcription and dedifferentiation have been implicated in type 2 diabetes, making drugs that could reverse these processes potentially useful. We have previously established ratiometric live-cell imaging tools to identify factors that increase insulin promoter activity and promote β-cell differentiation. Here, we present a single vector imaging tool with eGFP and mRFP, driven by the Pdx1 and Ins1 promoters, respectively, targeted to the nucleus to enhance identification of individual cells in a high-throughput manner. Using this new approach, we screened 1120 off-patent drugs for factors that regulate Ins1 and Pdx1 promoter activity in MIN6 β-cells. We identified a number of compounds that positively modulate Ins1 promoter activity, including several drugs known to modulate ion channels. Carbamazepine was selected for extended follow-up, as our previous screen also identified this use-dependent sodium channel inhibitor as a positive modulator of β-cell survival. Indeed, carbamazepine increased Ins1 and Ins2 mRNA in primary mouse islets at lower doses than were required to protect β-cells. We validated the role of sodium channels in insulin production by examining Nav1.7 (Scn9a) knockout mice and remarkably islets from these animals had dramatically elevated insulin content relative to wild-type controls. Collectively, our experiments provide a starting point for additional studies aimed to identify drugs and molecular pathways that control insulin production and β-cell differentiation status. In particular, our unbiased screen identified a novel role for a β-cell sodium channel gene in insulin production.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».