LDL, LDL receptors, and PCSK9 as modulators of the risk for type 2 diabetes: a focus on white adipose tissue
Notice bibliographique
Résumé
Type 2 diabetes (T2D) and cardiovascular disease (CVD) share many risk factors such as obesity, unhealthy lifestyle, and metabolic syndrome, whose accumulation over years leads to disease onset. However, while lowering plasma low-density lipoprotein cholesterol (LDLC) is cardio-protective, novel evidence have recognised a role for common LDLC-lowering variants (<i>e.g.</i> in <i>HMGCR</i>, <i>PCSK9</i>, and <i>LDLR</i>) and widely used hypocholesterolemic drugs that mimic the effects of some of these variants (statins) in higher risk for T2D. As these conditions decrease plasma LDLC by increasing tissue-uptake of LDL, a role for LDL receptor (LDLR) pathway was proposed. While underlying mechanisms remain to be fully elucidated, work from our lab reported that native LDL directly provoke the dysfunction of human white adipose tissue (WAT) and the activation of WAT NLRP3 (Nucleotide-binding domain and Leucine-rich repeat Receptor, containing a Pyrin domain 3) inflammasome, which play a major role in the etiology of T2D. However, while elevated plasma numbers of apolipoprotein B (apoB)-containing lipoproteins (measured as apoB, mostly as LDL) is associated with WAT dysfunction and related risk factors for T2D in our cohort, this relation was strengthened in regression analysis by lower plasma proprotein convertase subtilisin/kexin type 9 (PCSK9). This supports a central role for upregulated pathway of LDLR and/or other receptors regulated by PCSK9 such as cluster of differentiation 36 (CD36) in LDL-induced anomalies. Targeting receptor-mediated uptake of LDL into WAT may reduce WAT inflammation, WAT dysfunction, and related risk for T2D without increasing the risk for CVD.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».