糖尿病是指具有高血糖的慢性流行代谢疾病。国际糖尿病联合会(IDF)的最新统计数据表明,到2019年,全球约有4.63亿成年人(年龄在20至79岁之间)将患有糖尿病;到2045年,糖尿病患者的人数估计达到7亿(1)。糖尿病并发症已被发现是糖尿病患者死亡的主要原因(2),其中76.4%的糖尿病患者至少报告了一种并发症(3)。糖尿病性肾脏疾病(DKD)是糖尿病的主要微血管并发症,其特征在于高患病率,死亡率和治疗成本,但较低的意识和预防和治疗率较差(4)。在中国,近20-40%的糖尿病患者患有DKD,而DKD的意识率低于20%,治疗率甚至低于50%(5)。DKD的典型进展是指尿白蛋白排泄的初始增加(称为微藻尿症),该尿伴随着大量蛋白尿,随后肾功能的快速下降。结果,蛋白尿已被认为是从传统角度开始肾功能下降的初始途径(6)。但是,由于发现许多蛋白尿患者可以自发地恢复到正常的白蛋白排泄率,或者是基于DKD的综合风险管理(7-11),因此上述理论受到了挑战。尽管增加的筛选频率可以避免延迟诊断,但这并不均匀地实现。在此基础上,微量白蛋白尿作为DKD的传统标志和干预的最佳机会的有效性受到挑战,因为DKD在发作过程中通常是阴险的(12)。尽管肾脏活检能够将DKD与糖尿病肾脏疾病(NDKD)区分开,但尚未验证黄金标准以评估DKD的发展。此外,DKD的预防,早期诊断和治疗在降低糖尿病患者心血管事件的发生率并改善其生存率和生活质量方面具有重要意义。因此,迫切需要
抽象背景:败血症相关的脑病(SAE)是与败血症相关的器官功能障碍的一种普遍形式。没有伴随的明显的中枢神经系统(CNS)感染,但它具有死亡率的重大风险,可能导致持久的神经系统并发症。Angong niuhuang药丸(AGNH)在诸如脑缺血,脑部创伤和败血症等疾病中的功效已经建立了良好。尽管如此,AGNH在SAE进展中的特定调节作用和基本机制仍未探索。方法:脂多糖(LPS)处理用于构建SAE大鼠模型。Berderson的神经检查评分系统用于评分。通过酶联免疫吸附测定(ELISA)或相应的商业试剂盒检查基因和铁含量的水平。通过自动凝血分析仪确认了凝血酶原时间(PT),激活的部分血栓质蛋白时间(APTT),凝血酶时间(TT)和纤维蛋白原(FIB)水平。通过苏木精(HE)染色评估了神经元的数量和形态。蛋白质表达是通过蛋白质印迹确定的。结果:在AGNH或Deatecamine(DFO,铁毒性抑制剂)治疗后,LPS治疗介导的伯德森从未通过LPS治疗介导的功能评分增加,这表明AGNH改善了少年SAE小鼠的神经行为功能。此外,AGNH改善了年轻SAE小鼠的炎症和凝结参数。AGNH促进了少年SAE小鼠的神经元生长和减轻神经元损伤。此外,AGNH抑制了年轻SAE小鼠的氧化应激。最后,证明AGNH促进了与核因子2相关因子2(NRF2)/谷胱甘肽过氧化物酶4(GPX4)信号传导途径,通过上调NRF2和GPX4蛋白表达式。结论:这项研究表明,通过调节NRF2/GPX4信号通路,AGNH具有抑制GPX4诱导的少年SAE小鼠纤维毒性的能力。这一突破意味着AGNH作为SAE的治疗剂有前途的前景。
Citation: Yan, P and Zou, Z and Zhang, S and Wang, R and Niu, T and Zhang, X and Liu, D and Zhou, X and Chang, AK and Milton, NGN and Jones, GW and He, J (2021) Defining the mechanism of PDI interaction with disulfide-free amyloidogenic proteins: Implications for exogenous protein expression and神经退行性疾病。国际生物大分子杂志,第174页。175-184。ISSN 0141-8130 doi:https://doi.org/10.1016/j.ijbiomac.2021.01.172
OCC 赞助商是指捐赠资金且仅可用于特定用途的人士。赞助 OCC 的人士向信托基金捐赠的资金(最低 250 新西兰元)将用于支持通常与海洋保护相关的特定活动(如宣传册中所述),包括岛上活动以创建具有弹性的可持续蓝色经济。这些资金将通过会计程序追踪为用于海洋保护和相关活动或一般信托基金管理/运营费用。每个 OCC 的赞助金额为 250 新西兰元,这相当于维护一平方公里的莫阿纳马胡 20 年的成本。OCC 赞助金额可能会随着时间的推移而增加,以反映与支持活动相关的任何成本增加。
药物-靶标相互作用 (DTI) 预测是药物再利用领域中一项相关但具有挑战性的任务。计算机模拟方法引起了特别的关注,因为它们可以降低传统方法的相关成本和时间投入。然而,当前最先进的方法存在几个局限性:现有的 DTI 预测方法在计算上成本高昂,从而阻碍了使用大型网络和利用可用数据集的能力,并且 DTI 预测方法对未见数据集的推广仍未探索,这可能会在准确性和稳健性方面改善 DTI 推断方法的开发过程。在这项工作中,我们介绍了 GE NN IUS(图嵌入神经网络相互作用发现系统),这是一种基于图神经网络 (GNN) 的方法,在各种数据集的准确性和时间效率方面均优于最先进的模型。我们还通过评估每个数据集中以前未知的 DTI 展示了其发现新相互作用的预测能力。我们通过在不同数据集上训练和测试 GE NN IUS 进一步评估了其泛化能力,结果表明该框架可以通过在大型数据集上训练并在较小的数据集上测试来潜在地改进 DTI 预测任务。最后,我们定性地研究了 GE NN IUS 生成的嵌入,发现 GNN 编码器在图卷积之后保留了生物信息,同时通过节点传播这些信息,最终在节点嵌入空间中区分蛋白质家族。
