Combined effect of GABA and glucagon‐like peptide‐1 receptor agonist on cytokine‐induced apoptosis in pancreatic β‐cell line and isolated human islets
Notice bibliographique
Résumé
BACKGROUND: Treatment with GABA or glucagon-like peptide-1 (GLP-1) can preserve pancreatic β-cell mass and prevent diabetes. Recently, we reported that the combination of GABA and sitagliptin (a dipeptidyl peptidase-4 inhibitor that increases endogenous GLP-1) was more effective than either agent alone in reducing drug-induced β-cell damage and promoting β-cell regeneration in mice. However, in human islets, it remains unclear whether GABA and GLP-1 exert similar effects. METHODS: To investigate GABA and GLP-1 interactions, human islets or INS-1 cells were treated with GABA and/or exendin-4, a GLP-1 receptor agonist (GLP-1RA) in clinical use, and incubated with a cytokine mixture for 24 hours. Cleaved caspase-3 and annexin V binding were measured by western blot and flow cytometry analysis, respectively, to investigate effects on cytokine-induced apoptosis. RESULTS: Cytokine-induced apoptosis was reduced by either GABA or exendin-4 alone. This was markedly improved by combining GABA and exendin-4, resulting in a reversal of apoptosis. The combination notably increased Akt pathway signaling. Furthermore, sirtuin-1 (SIRT1) and α-Klotho, both reported to have protective effects on β-cells, were increased. Importantly, the combination ameliorated insulin secretion by human β-cells. CONCLUSIONS: The combination of GABA and a GLP-1RA exerted additive effects on β-cell survival and function, suggesting that this combination may be superior to either drug alone in the treatment of 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.
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 | 0,001 |
| 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 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 ».