Reviewer #1 (Public Review): The genetic and dietary landscape of the muscle insulin signalling network
Notice bibliographique
Résumé
Metabolic disease is caused by a combination of genetic and environmental factors, yet few studies have examined how these factors influence signal transduction, a key mediator of metabolism. Using mass spectrometry-based phosphoproteomics, we quantified 23,126 phosphosites in skeletal muscle of five genetically distinct mouse strains in two dietary environments, with and without acute in vivo insulin stimulation. Almost half of the insulin-regulated phosphoproteome was modified by genetic background on an ordinary diet, and high-fat high-sugar feeding affected insulin signalling in a strain-dependent manner. Our data revealed coregulated subnetworks within the insulin signalling pathway, expanding our understanding of the pathway’s organisation. Furthermore, associating diverse signalling responses with insulin-stimulated glucose uptake uncovered regulators of muscle insulin responsiveness, including the regulatory phosphosite S469 on Pfkfb2, a key activator of glycolysis. Finally, we confirmed the role of glycolysis in modulating insulin action in insulin resistance. Our results underscore the significance of genetics in shaping global signalling responses and their adaptability to environmental changes, emphasizing the utility of studying biological diversity with phosphoproteomics to discover key regulatory mechanisms of complex traits.
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 | 0,046 | 0,292 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,017 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,081 | 0,043 |
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 ».