The Endocrine Society of Australia Proceedings 2006/The New Zealand Society of Endocrinology Proceedings 2004 and 2005-4
Notice bibliographique
Résumé
There is strong evidence that growth hormone (GH) activates the immune system both directly, and indirectly through IGF-1 and the cytokine network. Little is known, about what genes are regulated by GH in immune cells in vivo. The aim of this study is to investigate the effects of GH on gene expression in leukocytes. Healthy male subjects, recruited as part of a intervention study aimed at developing a GH doping test, were administered 2mg/day GH for eight weeks followed by a 6 week washout period. Total RNA was extracted from white blood cells collected at baseline (week 0), weeks 4 and 8 (GH treatment) and week 14 (GH washout). Gene expression analysis was performed using Affymetrix HG-133 Plus 2.0 human genome arrays, which consist of 54925 probe sets, and the data analysed by GeneSpring software. Differential expression was analysed by one-way ANOVA. In preliminary analysis of data from 4 subjects, GH induced significant change in 1049, 1463 and 690 probe sets at weeks 4, 8 and 14, respectively, compared to baseline (p < 0.05). Of these, 11, 16 and 1 corresponding genes were up or down-regulated by greater than 2-fold at weeks 4, 8 and 14, respectively. Consistent changes in six of these genes were present at both weeks 4 and 8 and these genes are involved in biological process-metabolism (n=3), cellular componentgolgi stack (n=2) and molecular function-lipid binding (n=1) and -catalytic activity (n=2), using Gene Ontology. This data indicates that GH induces the expression of genes in peripheral leukocytes during GH treatment. Since peripheral blood is easily accessible, identification of a gene expression fingerprint in leukocytes could lead to the development of a GH doping test. (
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».