Lipid nanoparticle delivery of glucagon receptor siRNA improves glucose homeostasis in mouse models of diabetes
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Hyperglucagonemia is present in many forms of diabetes and contributes to hyperglycemia, and glucagon suppression can ameliorate diabetes in mice. Leptin, a glucagon suppressor, can also reverse diabetes in rodents. Lipid nanoparticle (LNP) delivery of small interfering RNA (siRNA) effectively targets the liver and is in clinical trials for the treatment of various diseases. We compared the effectiveness of glucagon receptor (Gcgr)-siRNA delivered via LNPs to leptin in two mouse models of diabetes. METHODS: Gcgr siRNA encapsulated into LNPs or leptin was administered to mice with diabetes due to injection of the β-cell toxin streptozotocin (STZ) alone or combined with high fat diet (HFD/STZ). RESULTS: In STZ-diabetic mice, a single injection of Gcgr siRNA lowered blood glucose levels for 3 weeks, improved glucose tolerance, and normalized plasma ketones levels, while leptin therapy normalized blood glucose levels, oral glucose tolerance, and plasma ketones, and suppressed lipid metabolism. In contrast, in HFD/STZ-diabetic mice, Gcgr siRNA lowered blood glucose levels for 2 months, improved oral glucose tolerance, and reduced HbA1c, while leptin had no beneficial effects. CONCLUSIONS: While leptin may be more effective than Gcgr siRNA at normalizing both glucose and lipid metabolism in STZ diabetes, Gcgr siRNA is more effective at reducing blood glucose levels in HFD/STZ diabetes.
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.
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 | 0,001 |
| 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 | 0,000 |
| 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 découle