Multi-organ Coordination of Lipoprotein Secretion by Hormones, Nutrients and Neural Networks
Notice bibliographique
Résumé
Plasma triglyceride-rich lipoproteins (TRL), particularly atherogenic remnant lipoproteins, contribute to atherosclerotic cardiovascular disease. Hypertriglyceridemia may arise in part from hypersecretion of TRLs by the liver and intestine. Here we focus on the complex network of hormonal, nutritional, and neuronal interorgan communication that regulates secretion of TRLs and provide our perspective on the relative importance of these factors. Hormones and peptides originating from the pancreas (insulin, glucagon), gut [glucagon-like peptide 1 (GLP-1) and 2 (GLP-2), ghrelin, cholecystokinin (CCK), peptide YY], adipose tissue (leptin, adiponectin) and brain (GLP-1) modulate TRL secretion by receptor-mediated responses and indirectly via neural networks. In addition, the gut microbiome and bile acids influence lipoprotein secretion in humans and animal models. Several nutritional factors modulate hepatic lipoprotein secretion through effects on the central nervous system. Vagal afferent signaling from the gut to the brain and efferent signals from the brain to the liver and gut are modulated by hormonal and nutritional factors to influence TRL secretion. Some of these factors have been extensively studied and shown to have robust regulatory effects whereas others are "emerging" regulators, whose significance remains to be determined. The quantitative importance of these factors relative to one another and relative to the key regulatory role of lipid availability remains largely unknown. Our understanding of the complex interorgan regulation of TRL secretion is rapidly evolving to appreciate the extensive hormonal, nutritional, and neural signals emanating not only from gut and liver but also from the brain, pancreas, and adipose tissue.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| 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 ».