ABSTRACT Choline is an essential nutrient for cellular metabolism, including the biosynthesis of phospholipids, neurotransmitters, and one-carbon metabolism. A critical step of choline catabolism is the mitochondrial import and synthesis of chorine-derived methyl donors, such as betaine. However, the underlying mechanisms and the biological significance of mitochondrial choline catabolism remain insufficiently understood. Here, we report that a mitochondrial inner-membrane protein SLC25A48 controls mitochondrial choline transport and catabolism in vivo . We demonstrate that SLC25A48 is highly expressed in brown adipose tissue and required for whole-body cold tolerance, thermogenesis, and mitochondrial respiration. Mechanistically, choline uptake into the mitochondrial matrix via SLC25A48 facilitates betaine synthesis and one-carbon metabolism. Importantly, cells lacking SLC25A48 exhibited reduced synthesis of purine nucleotides and failed to initiate the G1-to-S phase transition, thereby leading to cell death. Taken together, the present study identified SLC25A48 as a mitochondrial carrier that mediates choline import and plays a critical role in mitochondrial respiratory capacity, purine nucleotide synthesis, and cell survival. Key points SLC25A48 is required for mitochondrial choline uptake. Mitochondrial choline uptake regulates one-carbon contribution to purine nucleotide synthesis. Brown fat thermogenesis requires mitochondrial choline catabolism for respiratory capacity. Cancer cells require mitochondrial choline uptake for cell survival.

Abstract Individuals homozygous for the pathogenic “Z” mutation in alpha-1 antitrypsin deficiency (AATD) are known to be at increased risk for chronic liver disease. That some degree of risk is similarly conferred by the heterozygous state, estimated to affect 2% of the US population, has also become clear. A lack of model systems that recapitulate heterozygosity in human hepatocytes has limited the ability to study the impact of expressing a single ZAAT allele on hepatocyte biology. Here, through the application of CRISPR-Cas9 editing, we describe the derivation of syngeneic induced pluripotent stem cells (iPSCs) engineered to determine the effects of ZAAT heterozygosity in iPSC-derived hepatocytes (iHeps) relative to homozygous mutant (ZZ) or corrected (MM) cells. We find that heterozygous MZ iHeps exhibit an intermediate disease phenotype and share with ZZ iHeps alterations in AAT protein processing and downstream perturbations in hepatic metabolic function including ER and mitochondrial morphology, reduced mitochondrial respiration, and branch-specific activation of the unfolded protein response in subpopulations of cells. Our cellular model of MZ heterozygosity thus provides evidence that expression of a single Z allele is sufficient to disrupt hepatocyte homeostatic function and suggest a mechanism underlying the increased risk of liver disease observed among MZ individuals.

Epigenetic regulation is an important factor in glucose metabolism, but underlying mechanisms remain largely unknown. Here we demonstrated that bromodomain-containing proteins (Brds), transcriptional regulators binding to acetylated histone, are potent modulators of glucose metabolism via the gut-liver farnesoid X receptor (FXR)-fibroblast growth factor 15/19 (FGF15/19) pathway. In vivo inhibition of Brd4 by the inhibitor JQ1 in mice strongly inhibited ileal expression of FGF15, resulting in decreased FGFR4-related signaling, increased glucose production in the liver and hyperglycemia. Adverse metabolic effects of BRD4 inhibition were reversed by overexpression of FGF19, with improvement in hyperglycemia. At a cellular level, we demonstrate that BRD4 binds to the promoter region of FGF19 in human intestinal cells; BRD inhibition by JQ1 reduces binding to the FGF19 promoter and downregulates FGF19 expression. Thus, we identify Brd4 as a novel transcriptional regulator of intestinal FGF15/19 in ileum, and a contributor to hepatic and systemic glucose metabolism.

Conventional vascular interventions and hybrid surgery relied on digital subtraction angiography (DSA). Previously our center explored hybrid partial nephrectomy with DSA guidance, which demonstrates the superiority of omitting the dissection of renal hilum. However, this approach is limited to scarce hybrid operating rooms, involves radiation exposure, and poses compatibility issues with robotic surgery platforms. Laparoscopic ultrasound (LUS) can assist in robotic surgery. This study explored the application of LUS-guided occlusion of renal artery blood supply with a Fogarty balloon catheter, particularly in hybrid partial nephrectomy for renal tumor treatment.

Unmeasured confounding is a major concern in many epidemiologic studies that are not randomized. Negative control methods can detect and reduce confounding by leveraging the proxies of the unmeasured confounders, including negative control outcomes (NCO) and exposures (NCE). An NCO is presumably unaffected by the exposure of interest but would be associated with unmeasured confounders; an NCE presumably does not affect the outcome of interest but would be associated with unmeasured confounders. A recently proposed double negative control method leverages both NCO and NCE for unmeasured confounding bias. To demonstrate this relatively new methodology in pharmacoepidemiologic studies, we re-analyzed data from a prior safety study of Recombinant Zoster Vaccine (RZV). The prior study compared risk of safety outcomes of RZV versus unvaccinated comparators, using logistic regression with propensity score adjustment. We identified NCOs and NCEs that could be used to adjust for unmeasured confounding bias that could arise if RZV recipients are incomparable to the comparators due to unmeasured factors. The double negative control analysis yielded relative risk estimates slightly closer to 1.0 than those reported previously, providing additional evidence of RZV safety that is less vulnerable to unmeasured confounding.

Polycystic ovary syndrome (PCOS) is a primary endocrine disorder affecting premenopausal women involving metabolic dysregulation. We aimed to screen serum biomarkers in PCOS patients using untargeted lipidomics and ensemble machine learning. Serum from PCOS patients and non-PCOS subjects were collected for untargeted lipidomics analysis. Through analyzing the classification of differential lipid metabolites and the association between differential lipid metabolites and clinical indexes, ensemble machine learning, data preprocessing, statistical test pre-screening, ensemble learning method secondary screening, biomarkers verification and evaluation, and diagnostic panel model construction and verification were performed on the data of untargeted lipidomics. Results indicated that different lipid metabolites not only differ between groups but also have close effects on different corresponding clinical indexes. PI (18:0/20:3)-H and PE (18:1p/22:6)-H were identified as candidate biomarkers. Three machine learning models, logistic regression, random forest, and support vector machine, showed that screened biomarkers had better classification ability and effect. In addition, the correlation of candidate biomarkers was low, indicating that the overlap between the selected biomarkers was low, and the combination of panels was more optimized. When the AUC value of the test set of the constructed diagnostic panel model was 0.815, the model’s accuracy in the test set was 0.74, specificity was 0.88, and sensitivity was 0.7. This study demonstrated the applicability and robustness of machine learning algorithms to analyze lipid metabolism data for efficient and reliable biomarker screening. PI (18:0/20:3)-H and PE (18:1p/22:6)-H showed great potential in diagnosing PCOS.

To infer the treatment effect for a single treated unit using panel data, synthetic control (SC) methods construct a linear combination of control units' outcomes that mimics the treated unit's pre-treatment outcome trajectory. This linear combination is subsequently used to impute the counterfactual outcomes of the treated unit had it not been treated in the post-treatment period, and used to estimate the treatment effect. Existing SC methods rely on correctly modeling certain aspects of the counterfactual outcome generating mechanism and may require near-perfect matching of the pre-treatment trajectory. Inspired by proximal causal inference, we obtain two novel nonparametric identifying formulas for the average treatment effect for the treated unit: one is based on weighting, and the other combines models for the counterfactual outcome and the weighting function. We introduce the concept of covariate shift to SCs to obtain these identification results conditional on the treatment assignment. We also develop two treatment effect estimators based on these two formulas and generalized method of moments. One new estimator is doubly robust: it is consistent and asymptotically normal if at least one of the outcome and weighting models is correctly specified. We demonstrate the performance of the methods via simulations and apply them to evaluate the effectiveness of a pneumococcal conjugate vaccine on the risk of all-cause pneumonia in Brazil.