Notice bibliographique
Résumé
BACKGROUND: Most proteoglycans are heterogeneous molecules composed of a protein core with glycosaminoglycans (GAGs) attached. GAGs are highly negatively charged molecules that readily bind to enzymes, growth factors, cytokines etc. and as such have many functions. The role played by proteoglycans in diabetes has only recently been investigated. METHODS: The importance of proteoglycans and the effects of diabetes on proteoglycans are discussed. Possible strategies for reducing diabetic complications associated with preventing proteoglycan destruction are examined. RESULTS: Proteoglycans are altered in the endothelium, vascular wall, kidney, retina, heart, gut epithelial cells, bone and cartilage with diabetes. A decrease in proteoglycans, associated with hyperglycemic conditions, is reported to be due to a decrease in proteoglycan synthesis or an increase in destruction. Destruction may be a result of an upregulation of enzymes that degrade GAGs or destruction by reactive oxygen species. Several studies suggest that upregulation of heparanase and its destruction of heparan sulfate proteoglycans may be responsible for many of the complications associated with diabetes particularly in the kidney and blood vessels leading to chronic kidney disease, atherosclerosis and acute coronary syndrome. Preliminary studies suggest that administration of GAGs may be beneficial in reducing or delaying the harmful consequences of diabetes in the kidney and retina. CONCLUSIONS: Changes in proteoglycans are partially responsible for diabetic complications. Recent studies demonstrate that administration of GAGs may reduce or delay diabetic complications. Further studies are required to understand the alterations in proteoglycans associated with diabetes, and the protective potential of administered GAGs.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».