The Hidden Costs of Sweetness: Fructose-Induced Liver Inflammation
Notice bibliographique
Résumé
Fructose consumption has contributed to the prevalence of obesity, a major risk factor for metabolic disorders like metabolic-associated liver disease (MASLD). Obesity frequently coexists with liver disease, and excessive fructose intake directly promotes MASLD by driving hepatic inflammation, oxidative stress, and metabolic dysfunction. Despite growing research, gaps remain in understanding how dietary fructose leads to liver dysfunction. Many MASLD models rely on supraphysiological fructose levels (60%), which limit their relevance to the human diet. In this study, we investigated how dietary sugars at levels (15%) comparable to that in the Western diet influence liver health. To do so, we analyzed inflammatory, oxidative stress, and metabolic gene expression in mice-fed diets containing 15% fructose, 60% fructose, or standard chow. We fed seventeen male and female mice sugar-based diets for 8 to 23 weeks and analyzed gene expression using quantitative PCR. Mice on 60% and 15% fructose diets showed comparable gene expression patterns, with Nrf2 and Cd36 displaying significant differences. When compared to other sugar types, dextrose and sucrose also induced the expression of similar inflammatory liver markers. Since a 60% fructose diet is known to induce MASLD, our results suggest that even 15% fructose may have similar effects. However, dextrose and sucrose increased both pro- and anti-inflammatory gene expression, making their role in MASLD unclear. These findings highlight the complex relationship between dietary sugars and liver health, emphasizing the need for further research on the long-term effects of different sugar types in MASLD development.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».