N-Glycan Profile and Kidney Disease in Type 1 Diabetes
Notice bibliographique
Résumé
OBJECTIVE Poorer glycemic control in type 1 diabetes may alter N-glycosylation patterns on circulating glycoproteins, and these alterations may be linked with diabetic kidney disease (DKD). We investigated associations between N-glycans and glycemic control and renal function in type 1 diabetes. RESEARCH DESIGN AND METHODS Using serum samples from 818 adults who were considered to have extreme annual loss in estimated glomerular filtration rate (eGFR; i.e., slope) based on retrospective clinical records, from among 6,127 adults in the Scottish Diabetes Research Network Type 1 Bioresource Study, we measured total and IgG-specific N-glycan profiles. This yielded a relative abundance of 39 total (GP) and 24 IgG (IGP) N-glycans. Linear regression models were used to investigate associations between N-glycan structures and HbA1c, albumin-to-creatinine ratio (ACR), and eGFR slope. Models were adjusted for age, sex, duration of type 1 diabetes, and total serum IgG. RESULTS Higher HbA1c was associated with a lower relative abundance of simple biantennary N-glycans and a higher relative abundance of more complex structures with more branching, galactosylation, and sialylation (GP12, 26, 31, 32, and 34, and IGP19 and 23; all P < 3.79 × 10−4). Similar patterns were seen for ACR and greater mean annual loss of eGFR, which were also associated with fewer of the simpler N-glycans (all P < 3.79 × 10−4). CONCLUSIONS Higher HbA1c in type 1 diabetes is associated with changes in the serum N-glycome that have elsewhere been shown to regulate the epidermal growth factor receptor and transforming growth factor-β pathways that are implicated in DKD. Furthermore, N-glycans are associated with ACR and eGFR slope. These data suggest that the role of altered N-glycans in DKD warrants further investigation.
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) | 0,000 | 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 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 ».