Statins Promote Interleukin-1β–Dependent Adipocyte Insulin Resistance Through Lower Prenylation, Not Cholesterol
Notice bibliographique
Résumé
Statins lower cholesterol and adverse cardiovascular outcomes, but this drug class increases diabetes risk. Statins are generally anti-inflammatory. However, statins can promote inflammasome-mediated adipose tissue inflammation and insulin resistance through an unidentified immune effector. Statins lower mevalonate pathway intermediates beyond cholesterol, but it is unknown whether lower cholesterol underpins statin-mediated insulin resistance. We sought to define the mevalonate pathway metabolites and immune effectors that propagate statin-induced adipose insulin resistance. We found that LDL cholesterol lowering was dispensable, but statin-induced lowering of isoprenoids required for protein prenylation triggered NLRP3/caspase-1 inflammasome activation and interleukin-1β (IL-1β)–dependent insulin resistance in adipose tissue. Multiple statins impaired insulin action at the level of Akt/protein kinase B signaling in mouse adipose tissue. Providing geranylgeranyl isoprenoids or inhibiting caspase-1 prevented statin-induced defects in insulin signaling. Atorvastatin (Lipitor) impaired insulin signaling in adipose tissue from wild-type and IL-18−/− mice, but not IL-1β−/− mice. Atorvastatin decreased cell-autonomous insulin-stimulated lipogenesis but did not alter lipolysis or glucose uptake in 3T3-L1 adipocytes. Our results show that statin lowering of prenylation isoprenoids activates caspase-1/IL-1β inflammasome responses that impair endocrine control of adipocyte lipogenesis. This may allow the targeting of cholesterol-independent statin side effects on adipose lipid handling without compromising the blood lipid/cholesterol-lowering effects of statins.
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 ».