Modulation of Body Weight by Nutrient-Stimulated Hormones (NUSH): An Assessment Using Mathematical Modeling / Modulação do Peso Corporal por Hormônios Estimulados por Nutrientes (NUSH): Avaliação Através de Modelagem Matemática

Introduction: Nutrient-stimulated hormones (NUSH) play a critical role in regulating energy metabolism. While dysregulation of NUSH signalling is associated with obesity, there is a lack of quantitative models to investigate the complex dynamics of NUSH signalling and its impact on obesity development. Objective: This study aims to explore the relationship between NUSH and body weight using mathematical modelling. Methods: Data on elevated body mass index (BMI) were collected from meta-analysis studies available on PubMed, focusing on incretin-based therapies. A mathematical model was developed using software to integrate the interactions between NUSH levels and changes in BMI. The model captured the complex dynamics and feedback loops involved in obesity-related hormonal regulation, employing differential equations and statistical techniques. Parameter estimation was performed using meta-analysis results to minimize the discrepancy between model predictions and observed data. Results: This study included 15 meta-analysis studies on liraglutide, semaglutide, and tirzepatide for the treatment of obesity. A mathematical model was developed to understand NUSH dynamics in relation to obesity. The model derived the formula: NUSH(t) = N0 * (1 - e

Introdução: Os hormônios estimulados por nutrientes (NUSH) desempenham um papel fundamental na regulação do metabolismo energético. A desregulação da sinalização dos NUSH está associada à obesidade, entretanto faltam modelos quantitativos para investigar a dinâmica complexa da sinalização do NUSH e seu impacto no desenvolvimento da obesidade. Objetivo: Explorar a relação entre NUSH e o peso corporal utilizando modelagem matemática. Método: Dados sobre o índice de massa corporal (IMC) elevada foram coletados de estudos de meta-análises disponíveis no banco de dados Pubmed, utilizando terapias baseadas em incretinas. Um modelo matemático foi desenvolvido utilizando softwares para integrar as interações entre os níveis de NUSH e alterações no IMC. O modelo capturou a dinâmica complexa do NUSH e os "loops" de "feedback" envolvidos na regulação hormonal relacionada à obesidade, utilizando equações diferenciais e técnicas estatísticas. A estimativa dos parâmetros foi realizada por meio dos resultados de meta-análises para minimizar a discrepância entre as previsões do modelo e os dados observados. Resultados: Este estudo incluiu 15 meta-análises sobre liraglutida, semaglutida e tirzepatida para o tratamento da obesidade. Foi desenvolvido um modelo matemático para entender a dinâmica do NUSH em relação à obesidade. O modelo deduziu a fórmula: NUSH(t) = N0 * (1 - e

SARS-CoV-2/COVID and Type 1 Diabetes Mellitus: An immunoinformatics approach / SARS-CoV-2 / COVID e Diabetes Mellitus Tipo 1: Uma abordagem com imunoinformática

Contact with viruses which have an aminoacid (AA) sequence simile to that of the auto-antigens can lead to autoimmune diseases in genetically susceptible individuals. SARS-CoV-2 has been implied as a possible causer of new-onset type 1 diabetes mellitus (DM1), however, no consistent evidence yet that SARS-CoV-2 take to DM1 on your own initiative. Objective: Evaluate the possible similarity between the AA sequences of human insulin and human glutamic acid decarboxylase-65 (GAD65) with SARS-CoV-2/COVID proteins, to explain the possible trigger of DM1. Methods: AA sequences of the human insulin (4F0N), GAD65 (2OKK), and SARS-CoV-2 (SARS-Cov2 S protein at open state (7DDN), SARS-Cov2 S protein at close state (7DDD), SARS CoV-2 Spike protein (6ZB5), Crystal structure of SARS-CoV-2 nucleocapsid protein N-terminal RNA binding domain (6M3M), Crystal structure of SARS-CoV-2 nucleocapsid protein C-terminal RNA binding domain (7DE1), Crystal Structure of NSP1 from SARS-CoV-2 (7K3N), and SARS-CoV-2 S trimer (7DK3)) available in the Protein Data Bank were compared using the Pairwise Structure Alignment. Results: Sequence identity percentage (SI%) and sequence similarity percentage (SS%) were found among the 4F0N, 2OKK and SARS-CoV-2. The SI% between the 4F0N and SARS-CoV-2 ranged from 4.76% to 14.29% and SS% ranged from 5.00% to 45.45%, distributed like this: 4F0N and 7DDN = SI% 4.76 and SS% 28.57; 4F0N and 7DDD = SI% 14.39 and SS% 23.81; 4F0N and 6ZB5 = SI% 4.76 and SS% 28.57; 4F0N and 6M3M = SI% 5.00 and SS% 5;00; 4F0N and 7DE1 = SI% 4.76 and SS% 9.21; 4F0N and 7K3N = SI% 9.09 and SS% 45.45; 4F0N and 7DK3 = SI% 4.76 and SS% 28.57. The SI% between the between the 2OKK and SARS-CoV-2 ranged from 3.19% to 6,70% and SS% ranged from 10.45 % to 22.22%, distributed like this: 2OKK and 7DDN = SI% 6.70 and SS% 15.64; 2OKK and 7DDD = SI% 7.53 and SS% 18.84; 2OKK and 6ZB5 = SI% 6.68 and SS% 17.38; 2OKK and 6M3M = SI% 4.48 and SS% 10.45; 2OKK and 7DE1 = SI% 6.67 and SS% 22.22; 2OKK and 7K3N = SI% 3.19 and SS% 15.97; 2OKK and 7DK3 = SI% 3.95 and 17.98. Conclusion: Immunoinformatics data suggest a potential pathogenic link between DM1 and SARS-CoV-2/COVID. Thus, by means of molecular mimicking we check that sequences similarity among SARS-CoV-2/COVID and human insulin and human glutamic acid decarboxylase-65 may lead to production of an immune cross-response to self-antigens, with breakage of self-tolerance that can trigger DM1.

O contato com vírus que têm uma sequência de aminoácidos (AA) semelhante à dos autoantígenos podem desencadear doenças autoimunes em indivíduos geneticamente suscetíveis. SARS-CoV-2 foi sugerido como um possível causador de diabetes mellitus tipo 1 de início recente (DM1), no entanto, não há evidências consistentes de que o SARS-CoV-2 possa desencadear DM1. Objetivo: Avaliar a possível semelhança entre as sequências AA da insulina humana e da descarboxilase-65 do ácido glutâmico humano (GAD65) com as proteínas SARS-CoV-2 / COVID, para explicar o possível desencadeamento do DM1. Métodos: Sequências de AA da insulina humana (4F0N), GAD65 (2OKK) e SARS-CoV-2 SARS-Cov2 S protein at open state (7DDN), SARS-Cov2 S protein at close state (7DDD), SARS CoV-2 Spike protein (6ZB5), Crystal structure of SARS-CoV-2 nucleocapsid protein N-terminal RNA binding domain (6M3M), Crystal structure of SARS-CoV-2 nucleocapsid protein C-terminal RNA binding domain (7DE1), Crystal Structure of NSP1 from SARS-CoV-2 (7K3N), and SARS-CoV-2 S trimer (7DK3))  disponíveis no Protein Data Bank foram comparadas utilizando o Pairwise Structure Alignment. Resultados: O percentual de identidade de sequências (SI%) e o percentual de similaridade de sequências (SS%) foram encontrados entre o 4F0N, 2OKK e o SARS-CoV-2. O SI% entre o 4F0N e o SARS-CoV-2 variou de 4,76% a 14,29% e o SS% variou de 5,00% a 45,45%, assim distribuídos: 4F0N e 7DDN = SI% 4,76 e SS% 28,57; 4F0N e 7DDD = SI% 14,39 e SS% 23,81; 4F0N e 6ZB5 = SI% 4,76 e SS% 28,57; 4F0N e 6M3M = SI% 5,00 e SS% 5; 00; 4F0N e 7DE1 = SI% 4,76 e SS% 9,21; 4F0N e 7K3N = SI% 9,09 e SS% 45,45; 4F0N e 7DK3 = SI% 4,76 e SS% 28,57. O SI% entre o 2OKK e o SARS-CoV-2 variou de 3,19% a 6,70% e o SS% variou de 10,45% a 22,22%, assim distribuídos: 2OKK e 7DDN = SI% 6,70 e SS% 15,64; 2OKK e 7DDD = SI% 7,53 e SS% 18,84; 2OKK e 6ZB5 = SI% 6,68 e SS% 17,38; 2OKK e 6M3M = SI% 4,48 e SS% 10,45; 2OKK e 7DE1 = SI% 6,67 e SS% 22,22; 2OKK e 7K3N = SI% 3,19 e SS% 15,97; 2OKK e 7DK3 = SI% 3,95 e 17,98. Conclusão: Os dados de imunoinformática sugerem uma potencial ligação patogênica entre SARS-CoV-2 / COVID e o DM1. Assim, por meio de mimetização molecular, verificamos que a similaridade das sequências de AA entre SARS-CoV-2 / COVID e insulina humana e a descarboxilase-65 do ácido glutâmico humano pode levar à produção de uma resposta cruzada imunológica para autoantígenos, com quebra de auto-tolerância, podendo desencadear o DM1.