生长激素对肝脏胰岛素信号的时间程序性效应

目的:生长激素和胰岛素间的相互作用关系有待于进一步的研究。本研究首次同时检查在个体(小鼠)和细胞培养水平上,生长激素作用对肝脏胰岛素信号的时间效应关系。方法:小鼠分别注射重组人生长激素(rh GH)30 min,4 h,3周,取肝组织,提取蛋白,western blot检测胰岛素信号变化。人肝癌细胞系Hep G2分别给予rh GH刺激30 min,4 h,裂解前10 min再分别予胰岛素刺激,裂解细胞提取蛋白,western blot检测胰岛素信号变化。结果:rh GH预刺激小鼠30 min后,肝组织的基础Akt磷酸化水平明显升高,处死前10 min胰岛素刺激产生的Akt磷酸化水平则没有变化;rh GH预刺激小鼠4 h后,无论是肝组织的基础Akt磷酸化水平还是处死前10 min胰岛素刺激产生的Akt磷酸化水平都没有变化;而rh GH预刺激小鼠3周时,无论是肝组织的基础Akt磷酸化水平还是处死前10 min胰岛素刺激产生的Akt磷酸化水平都降低。然而在Hep G2细胞培养试验中,4 h生长激素预刺激则足以导致Akt磷酸化的抑制。结论:生长激素对胰岛素信号的作用规律是,急性(短时)生长激素作用时可产生正向激活作用;随着生长激素作用时间的延长,其效应逐渐变为抑制作用,也即Akt的磷酸化水平从作用开始时(几十分钟时间内)升高,随着时间延长后逐渐降低。但这个变化过程在动物水平上的表现远比细胞水平的慢,这可能体现了生理情况下多信号通路间相互作用的复杂性。     

慢性重组人生长激素对小鼠肝脏STAT5的影响及其机制

目的研究慢性重组人生长激素(rhGH)刺激对幼鼠肝脏STAT5的影响及其分子机制。方法将32只幼鼠共分为4组:磷酸盐缓冲液(PBS)组、PBS+single rhGH组、chronic rhGH组、chronic rhGH+single rhGH组。慢性生长激素刺激组chronic rhGH和chronic rhGH+single rhGH两组共16只小鼠每天按照1μg/g的剂量腹腔注射rhGH,对照组和PBS+single rhGH组16只小鼠每天腹腔注射等体积PBS 0.1mol/L,共3周。注射完最后1次rhGH和PBS 16h后次日8:00,处死前30min PBS组和chronic rhGH组小鼠注射PBS 0.1mol/L,PBS+single rhGH和chronic rhGH+single rhGH组小鼠按1μg/g注射单剂量rhGH。结果慢性生长激素刺激组小鼠(chronic rhGH和chronic rhGH+single rhGH)与对照组小鼠(PBS组和PBS+single rhGH)相比体质量明显增加;与PBS组相比,chronic rhGH组小鼠肝脏GH信号通路内基础p-STAT5水平显著降低;凝胶迁移实验检测的chronic rhGH组小鼠肝脏内STAT5与DNA的结合能力显著低于PBS组;处死前30min按1μg/g单剂量注射rhGH的小鼠中,chronic rhGH+single rhGH组较PBS+single rhGH组小鼠肝脏p-STAT5水平则明显降低;chronic rhGH组与对照组相比,CIS含量显著升高,而SOCS-2的含量则无明显差异。结论 rhGH慢性刺激可抑制幼鼠肝脏细胞内STAT5的磷酸化,其机制可能与CIS含量的升高有关。     

机器学习算法在体检人群糖尿病风险预测中的应用

  目的  探索Logistic回归分析模型和LightGBM(light gradient boosting machine)算法对体检人群未来罹患糖尿病的预测效果及影响因素。  方法  选取2003年8月-2019年4月在南方医院健康管理中心多次进行团体参检的36 292例非糖尿病人员,分层随机选取70%样本,以首次体检的性别、年龄、BMI、腰围、心率、收缩压、舒张压、空腹血糖等34项指标作为自变量,以相对首次体检时间的5年内是否罹患糖尿病为因变量,基于Logistic回归分析模型和LightGBM算法分别建立糖尿病预测模型。将预测模型应用于剩余30%样本,并使用受试者工作特征(receiver operating characteristic, ROC)曲线下面积(area under curve, AUC)进行预测效果的评价。  结果  Logistic回归分析模型和LightGBM算法模型的AUC分别为0.906和0.910,在最佳临界点上,Logistic回归分析模型的灵敏度和特异度分别为81.5%和84.3%,LightGBM(light gradient boosting machine)算法模型的灵敏度和特异度分别为81.6%和85.2%。  结论  Logistic回归分析模型和LightGBM算法模型对体检人群的未来糖尿病患病风险均有较好的预测效果。