Drug-induced regeneration of pancreatic beta cells: An approach to cellular therapeutic targets
Notice bibliographique
Résumé
Diabetes mellitus is a common and serious metabolic disease globally, characterized by increased blood glucose levels. The major pathogenesis is the functional impairment of insulin-producing beta cells in the pancreas and the lack of insulin secretion. Although both type 1 and type 2 diabetes develop through distinct pathological mechanisms, they lead to the destruction and/or dysfunction of beta cells, resulting in inadequate beta cell mass to maintain normal blood glucose levels. For this reason, therapeutic agents capable of inducing beta cell proliferation can be considered a possible approach to restore beta cell abundance and treat type 1 and type 2 diabetes. Although several methods have been found to promote the replication of beta cells in animal models or cell lines, it is still challenging to promote the effective proliferation of beta cells in humans. This review highlights the different agents and mechanisms that facilitate pancreatic beta cell regeneration. Numerous small molecules have been discovered to influence beta cell proliferation, primarily by targeting cellular pathways such as DYRK1A, adenosine kinase, SIK, and glucokinase. Additionally, receptors for TGF-β, EGF, insulin, glucagon, GLP-1, SGLT2 inhibitors, and prolactin play critical roles in this process. Stem cell-based clinical trials are also underway to assess the safety and efficacy of stem cell therapies for patients with type 1 and type 2 diabetes. We have emphasized alternative therapeutic pathways and related strategies that may be employed to promote the regeneration of pancreatic beta cells. The knowledge raised within this review may help to understand the potential drug-inducible targets for beta cell regeneration and pave the way for further investigations.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».