Excess Folic Acid Increases Lipid Storage, Weight Gain, and Adipose Tissue Inflammation in High Fat Diet-Fed Rats
Notice bibliographique
Résumé
Folic acid intake has increased to high levels in many countries, raising concerns about possible adverse effects, including disturbances to energy and lipid metabolism. Our aim was to investigate the effects of excess folic acid (EFA) intake compared to adequate folic acid (AFA) intake on metabolic health in a rodent model. We conducted these investigations in the setting of either a 15% energy low fat (LF) diet or 60% energy high fat (HF) diet. There was no difference in weight gain, fat mass, or glucose tolerance in EFA-fed rats compared to AFA-fed rats when they were fed a LF diet. However, rats fed EFA in combination with a HF diet had significantly greater weight gain and fat mass compared to rats fed AFA (p < 0.05). Gene expression analysis showed increased mRNA levels of peroxisome proliferator-activated receptor γ (PPARγ) and some of its target genes in adipose tissue of high fat-excess folic acid (HF-EFA) fed rats. Inflammation was increased in HF-EFA fed rats, associated with impaired glucose tolerance compared to high fat-adequate folic acid (HF-AFA) fed rats (p < 0.05). In addition, folic acid induced PPARγ expression and triglyceride accumulation in 3T3-L1 cells. Our results suggest that excess folic acid may exacerbate weight gain, fat accumulation, and inflammation caused by consumption of a HF diet.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».