Novel Functional Food Properties of Forest Onion (Eleutherine bulbosa Merr.) Phytochemicals for Treating Metabolic Syndrome: New Insights from a Combined Computational and In Vitro Approach
Notice bibliographique
Résumé
Metabolic syndrome is a global health problem. The use of functional foods as dietary components has been increasing. One food of interest is forest onion extract (FOE). This study aimed to investigate the effect of FOE on lipid and glucose metabolism in silico and in vitro using the 3T3-L1 mouse cell line. This was a comprehensive study that used a multi-modal computational network pharmacology analysis and molecular docking in silico and 3T3-L1 mouse cells in vitro. The phytochemical components of FOE were analyzed using untargeted ultra-performance liquid chromatography–tandem mass spectrometry (UPLC-MS). Next, an in silico analysis was performed to determine FOE’s bioactive compounds, and a toxicity analysis, protein target identification, network pharmacology, and molecular docking were carried out. FOE’s effect on pancreatic lipase, α-glucosidase, and α-amylase inhibition was determined. Finally, we determined its effect on lipid accumulation and MAPK8, PPARG, HMGCR, CPT-1, and GLP1 expression in the preadipocyte 3T3-L1 mouse cell line. We showed that the potential metabolites targeted glucose and lipid metabolism in silico and that FOE inhibited pancreatic lipase levels, α-glucosidase, and α-amylase in vitro. Furthermore, FOE significantly (p < 0.05) inhibits targeted protein expressions of MAPK8, PPARG, HMGCR, CPT-1, and GLP-1 in vitro in 3T3-L1 mouse cells in a dose-dependent manner. FOE contains several metabolites that reduce pancreatic lipase levels, α-glucosidase, α-amylase, and targeted proteins associated with lipid and glucose metabolism in vitro.
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 | 0,000 | 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 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 ».