Selenium Nanoparticles Decorated With Stevioside Potentially Attenuate Fructose Palmitate Induced Lipid Accumulation in HepG2 Cells
Notice bibliographique
Résumé
The excessive accumulation of lipid droplets within hepatocytes stands as a hallmark characteristic of metabolic‐associated fatty liver disease (MAFLD). Selenium (Se) nanoparticles (NPs) have garnered considerable attention for their notable bioavailability, minimal toxicity, and exceptional antioxidant properties. However, a critical limitation lies in the propensity of SeNPs to aggregate into the biologically inactive elemental Se, thereby constraining their utility. Here, we utilized Stevioside ( SV ), a natural sweetener, to modify SeNPs and obtained the SV‐SeNPs with a size of about 187 ± 7 nm. We aimed to investigate the effect of SV‐SeNPs on high fructose–palmitate (HFP) induced lipid accumulation in HepG2 cells. Noteworthy is the absence of overt cytotoxicity attributed to SV‐SeNPs on normal HepG2 cells. Of significance, our findings delineate the profound inhibitory effects of SV‐SeNPs on the expression of key genes implicated in de novo lipogenesis, such as fatty‐acid synthase (FASN), acetyl‐CoA‐carboxylase 1 (ACC1), and stearoyl‐CoA desaturase–1 (SCD1) within HFP‐induced HepG2 cells. Furthermore, our investigation reveals that SV‐SeNPs mediate a significant reduction in lipid accumulation by activating the PI3K/AKT/Nrf2 signaling cascades. Additionally, the antioxidative properties of SV‐SeNPs are underscored by their ability to counteract oxidative stress via the upregulation of two pivotal antioxidant enzymes, superoxide dismutase (SOD) and glutathione peroxidase (GSHPx). In conclusion, our study unveils the potential beneficial effects of SV‐SeNPs on the prevention and treatment of MAFLD by effectively suppressing lipid accumulation and ameliorating oxidative stress.
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 ».