XiaoMi-AI文件搜索系统
World File Search SystemAFL
附件III标签和包装传单
报告不良事件很重要。它允许对产品进行连续的安全监控。如果您注意到任何副作用，即使是在此软件包传单中尚未列出的副作用，或者您认为该药物尚未起作用，请首先与您的兽医联系。您还可以使用此传单结束时的联系方式向营销授权持有人报告任何不良事件，或者通过您的国家报告系统：网站：https：//wwwww.gov.uk/report-vetrinary-medicine-medicine-problem/animal-reacts- andimal-reacts- medicial email email：forvers.events-ververs.events@vmd.gmd.gov
引文 Teimouri A, Ebrahimpour Z, Feizi A, Iraj B, Saffari E, Akbari M 和 Karimifar M (2025) NAFLD 中的糖尿病前期和心血管危险因素
非酒精性脂肪性肝病 (NAFLD) 是世界上最常见的慢性肝病 (1)。在没有酒精过量使用和其他导致肝脏脂肪变性的原因的情况下，如果脂肪饱和度超过肝脏重量的 5% (2)，即可诊断为 NAFLD。NAFLD 可发展为 NASH (非酒精性脂肪性肝炎)、晚期纤维化、肝硬化，并最终发展为肝细胞癌 (3)。全球 NAFLD 的发病率估计为 25%，而美国的 NAFLD 病例数呈上升趋势，从 2015 年的 8300 万增加到 2030 年的 1.01 亿 (4)。NAFLD 主要发生在中东和南美洲 (5)。伊朗 NAFLD 的发病率估计为近 33.9%，伊斯法罕 39.3% 的人口患有此病 (6-8)。此外，由于肥胖症的流行，全世界患 NAFLD 的人口正在增加（9）。NAFLD 可导致原发性胰岛素抵抗，也可能是胰岛素抵抗的结果，因此它与代谢综合征的组成部分密切相关，包括肥胖、胰岛素抵抗、血脂异常和高血压（10）。此外，糖尿病前期个体患糖尿病的风险最高可增加两倍。胰岛素抵抗是糖尿病病理生理的主要因素（11-13），在 NAFLD 和糖尿病之间很常见（14）。动脉粥样硬化是一种持续的炎症过程，导致动脉壁上形成斑块。动脉粥样硬化形成的病理生理是多因素的；尽管如此，所有过程都是由于促炎、内皮床功能障碍和氧化应激相互作用而发生的（15、16）。查阅文献显示，胰岛素抵抗与动脉粥样硬化形成之间存在直接而重要的关联。鉴于此，胰岛素抵抗与血清中促炎因子（如白细胞介素 1 (IL-1)、IL-6 和肿瘤坏死因子 α (TNF- α)）以及导致氧化应激的自由氧自由基水平升高有关。此外，在胰岛素抵抗患者中，不适当的血小板聚集和动脉内膜中层钙斑块沉积导致内皮功能障碍已得到充分阐明（17）。理论上，由于在 NAFLD 和糖尿病前期中都可以检测到胰岛素抵抗的痕迹，两者的巧合可能使个体越来越容易患上 CVD。最近对 7 年间 34,000 名患有 NAFLD 和胰岛素抵抗的患者进行的荟萃分析发现，NAFLD 和胰岛素抵抗使 CVD 死亡和发病的风险增加了 65%。事实上，NAFLD 患者最常见的死亡原因是心血管原因（18）。尽管如此，研究 NAFLD 和糖尿病前期对 CVD 发病率影响的研究者数量有限，本回顾性病例对照研究旨在评估这一问题。
NAFLD的肝外结局：心血管疾病
任何人都可以自由访问可作为“开放访问”的作品的全文。可根据创意共享许可提供的作品可根据所述许可条款和条件使用。使用所有其他作品的使用要求正确持有人（作者或出版商）同意，如果不符合适用法律的版权保护。
利用药物重新定位发现针对 PKLR 的 NAFLD 治疗药物
此前，我们已经生成了肝脏和其他 45 种主要人体组织基因共表达网络 (CN)，并确定了丙酮酸激酶 L/R (PKLR) 作为靶点，抑制该酶可选择性抑制肝脏中的 DNL (Lee et al., 2017)。丙酮酸激酶是糖酵解中的关键酶，PKLR 基因编码该酶的肝脏 (PKL) 和红细胞 (PKR) 同工型，并催化磷酸烯醇式丙酮酸和 ADP 生成丙酮酸和 ATP。PKL 和 PKR 同工型分别在肝脏和红细胞中特异表达。一项独立的小鼠群体研究也证实了 PKLR 在 NAFLD 发展中的驱动作用 (Chella Krishnan et al., 2018)。最近，我们在 HepG2 细胞中进行了抑制和过表达 PKLR 的体外实验，发现 PKLR 的表达与 FASN 、 DNL 、 TAG 水平的表达以及细胞生长呈显著正相关 (Liu et al., 2019)。基于这些发现，综合分析表明，可以针对 PKLR 开发一种对其他人体组织副作用最小的 NAFLD 治疗策略。
AI 数据中心：扩大规模和扩展规模 | AFL Hyperscale
机器学习 (ML) 训练算法来推断含义并对独特提示提供准确的类似人类的响应。深度学习 (DL) 是无需人工干预的 ML。DL 使用称为人工神经网络 (ANN) 的算法，该算法分多个阶段处理输入刺激并可以辨别复杂数据集中的关系。大型语言模型 (LLM) 是处理语言的专用 DL 模型。DL 算法可以处理任何具有元素间关系的数字化信息。例如，LLM 可以生成对查询或提示的人类语言响应（例如 GPT-4），也可以在某些非语言空间（如图像和编码）中工作。
