MétaCan
Menu
Retour à la cohorte
Enregistrement W3105447322 · doi:10.1111/jne.12919

Insulin signalling in hypothalamic neurones

2020· review· en· W3105447322 sur OpenAlexafffundabout
Denise D. Belsham, Prasad S. Dalvi

Notice bibliographique

RevueJournal of Neuroendocrinology · 2020
Typereview
Langueen
DomaineNeuroscience
ThématiqueRegulation of Appetite and Obesity
Établissements canadiensUniversity of Toronto
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanadian Institutes of Health Research
Mots-clésInsulin resistanceInsulinInsulin receptorEndocrinologyNeuroinflammationNeuroscienceDiabetes mellitusInternal medicineMedicineBiologyDisease

Résumé

récupéré en direct d'OpenAlex

Subsequent to the discovery of insulin by Banting and Best in the Department of Physiology at the University of Toronto 100 years ago, the field of insulin signalling and action has grown at a remarkable pace. Yet, the recognition that insulin action in the brain is critical for whole body homeostasis has only recently been appreciated. The hypothalamus is a key region in the brain that responds to circulating insulin by engaging a complex signalling cascade resulting in the ultimate release of neuropeptides that control hunger and feeding. Disruption of this important feedback system can lead to a phenomenon called cellular insulin resistance, where the neurones cease to sense insulin. The factors contributing to insulin resistance, as well as the resulting detrimental effects, include the induction of neuroinflammation, endoplasmic reticulum stress and alterations in the architecture of the blood-brain barrier that allow transport of insulin into the brain. These manifestations usually change energy balance, causing weight gain, often resulting in obesity and its deadly comorbidities, including type 2 diabetes mellitus, cardiovascular disease and metabolic syndrome. Nonetheless, there is still hope because the signal transduction pathways can be targeted at a number of levels by neurone-specific therapeutics. With the advent of unique cell models for investigating the mechanisms involved in these processes, the discovery of novel targets is increasingly possible. Although we are still looking for a cure for diabetes, Banting and Best would be impressed at how far their discovery has advanced and the contemporary knowledge that has been accumulated based on insulin action.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,006

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 savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
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 Opus0,089
Tête enseignante GPT0,328
Écart entre enseignants0,239 · 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'étudeSans objet
Domainenon disponible
GenreSynthèse

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

En bref

Citations30
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of NeuroendocrinologyMême sujetRegulation of Appetite and ObesityTravaux en français237 207