O exercício físico melhora a sensibilidade à insulina de ratos expostos à fumaça de cigarro

INTRODUÇÃO E OBJETIVO: Sabe-se que o tabagismo pode provocar alterações cardiovasculares e redução na sensibilidade à insulina, e que o exercício físico melhora este quadro. O objetivo do estudo foi avaliar o efeito do tabagismo e da prática de atividade física sobre a sensibilidade à insulina em músculo cardíaco de ratos, através da avaliação de expressão do transportador de glicose GLUT4. MÉTODOS: Ratos machos Wistar foram divididos em quatro grupos: (CS) controle, (CE) controle exercitado, (FS) fumante sedentário e (FE) fumante submetido ao exercício físico. Os grupos FS e FE foram submetidos à combustão de quatro cigarros/30 min/60 dias, 2x/dia. Os grupos CE e FE executaram corrida em esteira rolante durante 60 min/60 dias. Foi realizado teste de tolerância à insulina, e a expressão de GLUT4 no coração foi feita através de Western Blotting - ECL e RT-PCR. Foi utilizado método estatístico descritivo e o teste ANOVA, e as diferenças entre os grupos foram consideradas significantes quando P < 0,05. RESULTADOS: Nem o tabagismo nem a atividade física alteraram o peso corpóreo (CS: 364,7 ± 9,7; CE: 372,4 ± 7,2, FS: 368,9 ± 6,7; FE: 376,4 ± 7,8g) e o peso do coração (CS: 1,12 ± 0,05; CE: 1,16 ± 0,04; FS: 1,14 ± 0,05; FE: 1,19 ± 0,05g). A sensibilidade à insulina foi reduzida no grupo fumante, porém, a prática de exercício físico melhorou este quadro (CS: 3,7 ± 0,3; CE: 5,28 ± 0,5*; FS: 2,1 ± 0,7*; FE: 4,8 ± 0,09** %/min; *P < 0,05 vs. CS, **P < 0,05 vs. FS). Os conteúdos de RNAm e de proteína não se alteraram entre os grupos. Porém, quando se calculou o conteúdo total de proteína GLUT4 por grama de tecido, observou-se que o tabagismo causou redução e que o exercício induziu aumento neste parâmetro (CS: 119,72 ± 9,98; CE: 143,09 ± 9,09; FS: 84,36 ± 10,99*; FE: 132,18 ± 11,40# UA/g tecido, *P < 0,05 vs. CS, #P < 0,01 vs. FS). CONCLUSÃO: Conclui-se que o tabagismo reduz a sensibilidade à insulina e a capacidade do coração captar glicose. Já a prática de exercício físico moderado reverte este quadro por completo.

Hypothyroidism decreases proinsulin gene expression and the attachment of its mRNA and eEF1A protein to the actin cytoskeleton of INS-1E cells

The actions of thyroid hormone (TH) on pancreatic beta cells have not been thoroughly explored, with current knowledge being limited to the modulation of insulin secretion in response to glucose, and beta cell viability by regulation of pro-mitotic and pro-apoptotic factors. Therefore, the effects of TH on proinsulin gene expression are not known. This led us to measure: a) proinsulin mRNA expression, b) proinsulin transcripts and eEF1A protein binding to the actin cytoskeleton, c) actin cytoskeleton arrangement, and d) proinsulin mRNA poly(A) tail length modulation in INS-1E cells cultured in different media containing: i) normal fetal bovine serum - FBS (control); ii) normal FBS plus 1 µM or 10 nM T3, for 12 h, and iii) FBS depleted of TH for 24 h (Tx). A decrease in proinsulin mRNA content and attachment to the cytoskeleton were observed in hypothyroid (Tx) beta cells. The amount of eEF1A protein anchored to the cytoskeleton was also reduced in hypothyroidism, and it is worth mentioning that eEF1A is essential to attach transcripts to the cytoskeleton, which might modulate their stability and rate of translation. Proinsulin poly(A) tail length and cytoskeleton arrangement remained unchanged in hypothyroidism. T3 treatment of control cells for 12 h did not induce any changes in the parameters studied. The data indicate that TH is important for proinsulin mRNA expression and translation, since its total amount and attachment to the cytoskeleton are decreased in hypothyroid beta cells, providing evidence that effects of TH on carbohydrate metabolism also include the control of proinsulin gene expression.

Pre-processing for noise detection in gene expression classification data

Due to the imprecise nature of biological experiments, biological data is often characterized by the presence of redundant and noisy data. This may be due to errors that occurred during data collection, such as contaminations in laboratorial samples. It is the case of gene expression data, where the equipments and tools currently used frequently produce noisy biological data. Machine Learning algorithms have been successfully used in gene expression data analysis. Although many Machine Learning algorithms can deal with noise, detecting and removing noisy instances from the training data set can help the induction of the target hypothesis. This paper evaluates the use of distance-based pre-processing techniques for noise detection in gene expression data classification problems. This evaluation analyzes the effectiveness of the techniques investigated in removing noisy data, measured by the accuracy obtained by different Machine Learning classifiers over the pre-processed data.