Effects of dietary iron intake and chronic kidney disease on fibroblast growth factor 23 metabolism in wild-type and hepcidin knockout mice
Notice bibliographique
Résumé
In the setting of normal kidney function, iron deficiency is associated with increased FGF23 production and cleavage, altering circulating FGF23 levels. Our objective was to determine how chronic kidney disease (CKD) and dietary iron intake affect FGF23 production and metabolism in wild-type (WT) and hepcidin knockout (HKO) mice. For 8 wk, the mice were fed diets that contained adenine (to induce CKD) or no adenine (control group), with either low-iron (4 ppm) or standard-iron (335 ppm) concentrations. The low-iron diet induced iron deficiency anemia in both the WT and HKO mice. Among the WT mice, in both the control and CKD groups, a low-iron compared with a standard-iron diet increased bone Fgf23 mRNA expression, C-terminal FGF23 (cFGF23) levels, and FGF23 cleavage as manifested by a lower percentage intact FGF23 (iFGF23). Independent of iron status, CKD was associated with inhibition of FGF23 cleavage. Similar results were observed in the HKO control and CKD groups. Dietary iron content was more influential on FGF23 parameters than the presence or absence of hepcidin. In the CKD mice (WT and HKO, total n = 42), independent of the effects of serum phosphate, iron deficiency was associated with increased FGF23 production but also greater cleavage, whereas worse kidney function was associated with increased FGF23 production but decreased cleavage. Therefore, in both the WT and HKO mouse models, dietary iron content and CKD affected FGF23 production and metabolism.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».