Green banana flour supplementation improves obesity-associated systemic inflammation and regulates gut microbiota profile in mice fed high-fat diets
Notice bibliographique
Résumé
This study evaluated the effect of green banana flour (GBF) consumption on obesity-related conditions in mice fed high-fat diets. GBF was prepared using stage 1 green banana pulp, which was dehydrated and milled. Mice were fed a control diet (n = 20; 10% of energy from lipids) or a high-fat diet (n = 20; 50% of energy from lipids). After 10 weeks, mice were divided into 4 groups based on feed: standard chow (SC; n = 10), standard with 15% GBF (SB; n = 10), high-fat diet (HF; n = 10) and high-fat diet with 15% GBF (HFB; n = 10) for 4 weeks. HFB exhibited lower gains in body weight (–21%; p < 0.01) and in all fat pads (p < 0.01) compared with the HF group. SC, SB, and HFB showed smaller retroperitoneal white adipose tissue diameters (p < 0.001). SB and HFB-treated mice showed lower levels of leptin, IL-6, and TNF-α compared with the SC and HF groups (p < 0.01). In the GBF-fed groups, there was a reduction in the abundance of Firmicutes (SB: –22%; HFB: –23%) and an increase in Bacteroidetes (SB: +25%; HFB: +29%) compared with their counterparts. We demonstrated that GBF consumption attenuated inflammation and improved metabolic status, adipose tissue remodeling, and the gut microbiota profile of obese mice. Novelty: Green banana flour (GBF) consumption, rich in resistant starch, regulates body weight in mice fed high-fat diets. GBF consumption improves fat pad distribution in mice fed high-fat diets. GBF improves obesity-associated systemic inflammation and regulates gut microbiota profile in mice fed high-fat diets.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».