Low carbohydrate diets containing soy protein and fish oil slow the growth of established NNK-induced lung tumors
Notice bibliographique
Résumé
We recently found that a diet composed of 15% of total calories as carbohydrate (CHO), primarily as amylose, 35% soy protein and 50% fat, primarily as fish oil (FO) (15%Amylose/Soy/FO) was highly effective at preventing lung nodule formation in a nicotine-derived nitrosamine ketone (NNK)-induced lung cancer model. We asked herein whether adopting such a diet once cancers are established might also be beneficial. To test this, NNK-induced lung nodules were established in mice on a Western diet and the mice were then either kept on a Western diet or switched to various low CHO diets. Since we previously found that sedentary mice develop more lung nodules than active mice, we also compared the effect of exercise in this cancer progression model. We found that switching to a 15%Amylose/Soy/FO diet reduced lung nodules and slowed tumor growth with both 'active' and 'sedentary' mice. Ki67, cleaved caspase 3 and Terminal Deoxynucleotidyl Transferase-Mediated dUTP Nick End Labeling assays suggested that the efficacy of the 15%Amylose/Soy/FO in lowering tumor nodule count and size was not due to a reduction in tumor cell proliferation, but to an increase in apoptosis. The 15%Amylose/Soy/FO diet also significantly lowered liver fatty acid synthase and 6-phosphofructo-2-kinase/fructose-2,6-biphosphatase 3 expression, pointing to a global metabolic switch from glycolysis to fatty acid oxidation. Mice fed the 15%Amylose/Soy/FO diet also had significantly reduced plasma levels of interleukin (IL)-1β, IL-6 and tumor necrosis factor α. These results suggest that the 15%Amylose/Soy/FO diet may slow tumor growth by suppressing proinflammatory cytokines, inducing a metabolic switch away from glycolysis and inducing apoptosis in tumors.
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 ».