Nutrient-Induced Metabolic Stress, Adaptation, Detoxification, and Toxicity in the Pancreatic β-Cell
Notice bibliographique
Résumé
Paraphrasing the Swiss physician and father of toxicology Paracelsus (1493-1541) on chemical agents used as therapeutics, "the dose makes the poison," it is now realized that this aptly applies to the calorigenic nutrients. The case here is the pancreatic islet β-cell presented with excessive levels of nutrients such as glucose, lipids, and amino acids. The short-term effects these nutrients exert on the β-cell are enhanced insulin biosynthesis and secretion and changes in glucose sensitivity. However, chronic fuel surfeit triggers additional compensatory and adaptive mechanisms by β-cells to cope with the increased insulin demand or to protect itself. When these mechanisms fail, toxicity due to the nutrient surplus ensues, leading to β-cell dysfunction, dedifferentiation, and apoptosis. The terms glucotoxicity, lipotoxicity, and glucolipotoxicity have been widely used, but there is some confusion as to what they mean precisely and which is most appropriate for a given situation. Here we address the gluco-, lipo-, and glucolipo-toxicities in β-cells by assessing the evidence both for and against each of them. We also discuss potential mechanisms and defend the view that many of the identified "toxic" effects of nutrient excess, which may also include amino acids, are in fact beneficial adaptive processes. In addition, candidate fuel-excess detoxification pathways are evaluated. Finally, we propose that a more general term should be used for the in vivo situation of overweight-associated type 2 diabetes reflecting both the adaptive and toxic processes to mixed calorigenic nutrients excess: "nutrient-induced metabolic stress" or, in brief, "nutri-stress."
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 | 0,001 |
| 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 | 0,001 |
| 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 ».