Pharmacoinformatics and cellular studies of algal peptides as functional molecules to modulate type-2 diabetes markers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Novel dietary strategies are urgently needed to address the limitations of current management and treatment options of Type-2 Diabetes (T2D). Marine algae-derived peptides (MAP) represent a promising avenue, although, their potential remains mostly underexplored. This study employs pharmacoinformatics and in vitro methods to evaluate the antidiabetic properties of MAP and provide new insights their mechanisms to mitigate the prevalence of T2D. Through a systematic search and predictive modeling, peptides were identified and assessed for bioactivity, toxicity, and drug-likeness. Furthermore, molecular docking simulations with protein targets related to T2D identified binding sites that be used to optimize the activity of MAP. The structure-activity relationship profile of MAP reveals 13 candidates with probable activity (Pa) scores >0.4, indicative of insulin promoter. The peptide FDGIP (P13;Phe-Asp-Gly-Ile-Pro) from Caulerpa lentillifera had the best in silico assessment value compared to 50 other peptides and its activity was confirmed by in vitro data (e.g.EC50 60.4 and 57.9 for α-amylase and α-glucosidase inhibitions). Interestingly, in 3T3-L1 cells, P13 exhibited inhibitory activities against transcription factors and hormones (MAPK8-JNK1/PPARGC1A/Ghrelin/GLP-1/CPT-1) that can regulate blood sugar and decrease as anti-diabetes. P13 then appears to be a peptide with antidiabetic action that may be used in the formulation foods to manage T2D.
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.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 découle