Berberine alleviates hyperglycemia by targeting hepatic glucokinase in diabetic db/db mice
Notice bibliographique
Résumé
Berberine (BBR) is a widely used anti-diabetic agent, and liver glucokinase (GK) has been reported to be involved. However, the mechanisms of BBR in regulating GK are still unknown. Here, we found that BBR upregulated GK immunofluorescence expression in AML12 cells cultured in high glucose and increased glycogen content simultaneously. BBR improved hyperglycemia in db/db mice, and increased liver glucose-6-phosphate/glucose-1-phosphate (G-6-P/G-1-P) was found by analyzing metabolites (serum, liver, and feces) based on gas chromatography-mass spectrometry (GC-MS) metabolomics. Pharmacokinetics-pharmacodynamics (PK-PD) assessment revealed enriched BBR distribution in the liver, and liver G-6-P had the same trend as the concentration-time curve of BBR. G-6-P is solely catalyzed by GK, and GK activity and expression showed a positive correlation with liver BBR levels. In db/db mice, BBR also upregulated GK in liver fractions (cytoplasm and nucleus) and liver glycogen content. GK functionally worked by dissociating from GK regulatory protein (GKRP), and although GKRP expression was not affected, we found a decreased ratio of GK binding with GKRP in BBR treated db/db mice. In conclusion, our study suggests the dissociation of GK from GKRP as the potential mechanism for liver GK increase upon BBR treatment, which contributes to the anti-diabetic effect of BBR.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».