MétaCan
Menu
Retour à la cohorte
Enregistrement W2919736532 · doi:10.3390/cells8030214

Hypoxia-Inducible Factors and the Regulation of Lipid Metabolism

2019· review· en· W2919736532 sur OpenAlexaff
Ilias Mylonis, George Simos, Efrosyni Paraskeva

Notice bibliographique

RevueCells · 2019
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCancer, Hypoxia, and Metabolism
Établissements canadiensMcGill University
Organismes subventionnairesUniversity of Thessaly
Mots-clésHypoxia-inducible factorsLipid metabolismBiologyCatabolismHypoxia (environmental)AnabolismGlycolysisCell biologyTranscription factorMetabolismGeneBiochemistryChemistryOxygen

Résumé

récupéré en direct d'OpenAlex

Oxygen deprivation or hypoxia characterizes a number of serious pathological conditions and elicits a number of adaptive changes that are mainly mediated at the transcriptional level by the family of hypoxia-inducible factors (HIFs). The HIF target gene repertoire includes genes responsible for the regulation of metabolism, oxygen delivery and cell survival. Although the involvement of HIFs in the regulation of carbohydrate metabolism and the switch to anaerobic glycolysis under hypoxia is well established, their role in the control of lipid anabolism and catabolism remains still relatively obscure. Recent evidence indicates that many aspects of lipid metabolism are modified during hypoxia or in tumor cells in a HIF-dependent manner, contributing significantly to the pathogenesis and/or progression of cancer and metabolic disorders. However, direct transcriptional regulation by HIFs has been only demonstrated in relatively few cases, leaving open the exact and isoform-specific mechanisms that underlie HIF-dependency. This review summarizes the evidence for both direct and indirect roles of HIFs in the regulation of genes involved in lipid metabolism as well as the involvement of HIFs in various diseases as demonstrated by studies with transgenic animal models.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,002

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,276
Écart entre enseignants0,247 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations306
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCellsMême sujetCancer, Hypoxia, and MetabolismTravaux en français237 207