MétaCan
Menu
Retour à la cohorte
Enregistrement W2961555218 · doi:10.1152/physiolgenomics.00032.2019

Profiling the rainbow trout hepatic miRNAome under diet-induced hyperglycemia

2019· article· en· W2961555218 sur OpenAlexafffund
Daniel J. Kostyniuk, Lucie Marandel, Mais Jubouri, Karine Dias, Robson Francisco de Souza, Dapeng Zhang, Christopher J. Martyniuk, Stéphane Panserat, Jan A. Mennigen

Notice bibliographique

RevuePhysiological Genomics · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueAquaculture Nutrition and Growth
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesAgence Nationale de la RechercheNatural Sciences and Engineering Research Council of CanadaMitacsGovernment of Canada
Mots-clésRainbow troutBiologyInternal medicineEndocrinologyZoologyCell biologyFish <Actinopterygii>FisheryMedicine

Résumé

récupéré en direct d'OpenAlex

Carnivorous rainbow trout exhibit prolonged postprandial hyperglycemia when fed a diet exceeding 20% carbohydrate content. This poor capacity to utilize carbohydrates has led to rainbow trout being classified as “glucose-intolerant” (GI). The metabolic phenotype has spurred research to identify the underlying cellular and molecular mechanisms of glucose intolerance, largely because carbohydrate-rich diets provide economic and ecological advantages over traditionally used fish meal, considered unsustainable for rainbow trout aquaculture operations. Evidence points to a contribution of hepatic intermediary carbohydrate and lipid metabolism, as well as upstream insulin signaling. Recently, microRNAs (miRNAs), small noncoding RNAs acting as negative posttranscriptional regulators affecting target mRNA stability and translation, have emerged as critical regulators of hepatic control of glucose-homeostasis in mammals, revealing that dysregulated hepatic miRNAs might play a role in organismal hyperglycemia in metabolic disease. To determine whether hepatic regulatory miRNA networks may contribute to GI in rainbow trout, we induced prolonged postprandial hyperglycemia in rainbow trout by using a carbohydrate-rich diet and profiled genome-wide hepatic miRNAs in hyperglycemic rainbow trout compared with fasted trout and trout fed a diet devoid of carbohydrates. Using small RNA next-generation sequencing and real-time RT-PCR validation, we identified differentially regulated hepatic miRNAs between these groups and used an in silico approach to predict bona fide mRNA targets and enriched pathways. Diet-induced hyperglycemia resulted in differential regulation of hepatic miRNAs compared with fasted fish. Some of the identified miRNAs, such as miRNA-27b-3p and miRNA-200a-3p, are known to be responsive to hyperglycemia in the liver of hyperglycemic glucose-tolerant fish and mammals, suggesting an evolutionary conserved regulation. Using Gene Ontology term-based enrichment analysis, we identify intermediate carbohydrate and lipid metabolism and insulin signaling as potential targets of posttranscriptional regulation by hyperglycemia-regulated miRNAs and provide correlative expression analysis of specific predicted miRNA-target pairs. This study identifies hepatic miRNAs in rainbow trout that exhibit differential postprandial expression in response to diets with different carbohydrate content and predicts posttranscriptionally regulated target mRNAs enriched for pathways involved in glucoregulation. Together, these results provide a framework for testable hypotheses of functional involvement of specific hepatic miRNAs in GI in rainbow trout.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,004

Scores du classifieur distillé par catégorie (deux têtes)

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

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,230
Écart entre enseignants0,195 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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

En bref

Citations37
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhysiological GenomicsMême sujetAquaculture Nutrition and GrowthTravaux en français237 207