Proteomic predictors of individualized nutrient-specific insulin secretion in health and disease
Notice bibliographique
Résumé
Population level variation and molecular mechanisms behind insulin secretion in response to carbohydrate, protein, and fat remain uncharacterized despite ramifications for personalized nutrition. Here, we define prototypical insulin secretion dynamics in response to the three macronutrients in islets from 140 cadaveric donors, including those diagnosed with type 2 diabetes. While islets from the majority of donors exhibited the expected relative response magnitudes, with glucose being highest, amino acid moderate, and fatty acid small, 9% of islets stimulated with amino acid and 8% of islets stimulated with fatty acids had larger responses compared with high glucose. We leveraged this insulin response heterogeneity and used transcriptomics and proteomics to identify molecular correlates of specific nutrient responsiveness, as well as those proteins and mRNAs altered in type 2 diabetes. We also examine nutrient-responsiveness in stem cell-derived islet clusters and observe that they have dysregulated fuel sensitivity, which is a hallmark of functionally immature cells. Our study now represents the first comparison of dynamic responses to nutrients and multi-omics analysis in human insulin secreting cells. Responses of different people's islets to carbohydrate, protein, and fat lay the groundwork for personalized nutrition. ONE-SENTENCE SUMMARY: Deep phenotyping and multi-omics reveal individualized nutrient-specific insulin secretion propensity.
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 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».