The human Na + /d-glucose cotransporter 2 (hSGLT2) is believed to be responsible for the bulk of glucose reabsorption in the kidney proximal convoluted tubule. Since blocking reabsorption increases urinary glucose excretion, hSGLT2 has become a novel drug target for Type 2 diabetes treatment. Glucose transport by hSGLT2 was studied at 37°C in human embryonic kidney 293T cells using whole cell patch-clamp electrophysiology. We compared hSGLT2 with hSGLT1, the transporter in the straight proximal tubule (S3 segment). hSGLT2 transports with surprisingly similar glucose affinity and lower concentrative power than hSGLT1: Na + /d-glucose cotransport by hSGLT2 was electrogenic with apparent glucose and Na + affinities of 5 and 25 mM, and a Na + :glucose coupling ratio of 1; hSGLT1 affinities were 2 and 70 mM and coupling ratio of 2. Both proteins showed voltage-dependent steady-state transport; however, unlike hSGLT1, hSGLT2 did not exhibit detectable pre-steady-state currents in response to rapid jumps in membrane voltage. d-Galactose was transported by both proteins, but with very low affinity by hSGLT2 (≥100 vs. 6 mM). β-d-Glucopyranosides were either substrates or blockers. Phlorizin exhibited higher affinity with hSGLT2 ( K i 11 vs. 140 nM) and a lower Off-rate (0.03 vs. 0.2 s −1 ) compared with hSGLT1. These studies indicate that, in the early proximal tubule, hSGLT2 works at 50% capacity and becomes saturated only when glucose is ≥35 mM. Furthermore, results on hSGLT1 suggest it may play a significant role in the reabsorption of filtered glucose in the late proximal tubule. Our electrophysiological study provides groundwork for a molecular understanding of how hSGLT inhibitors affect renal glucose reabsorption.

Motivation: Metabolomics involves the characterisation, identification, and quantification of small molecules (metabolites) that act as the reaction intermediates of biological processes. Over the past few years, we have seen wide scale improvements in data processing, database, and statistical analysis tools. Direct infusion mass spectrometery (DIMS) is a widely used platform that is able to produce a global fingerprint of the metabolome, without the requirement of a prior chromatographic step - making it ideal for wide scale high-throughput metabolomics analysis. In spite of these developments, metabolite identification still remains a key bottleneck in untargeted mass spectrometry-based metabolomics studies. The first step of the metabolite identification task is to query masses against a metaboite database to get putative metabolite annotations. Each existing metabolite database differs in a number of aspects including coverage, format, and accessibility - often limiting the user to a rudimentary web interface. Manually combining multiple search results for a single experiment where there may be potentially hundreds of masses to investigate becomes an incredibly arduous task. Results: To facilitate unified access to metabolite information we have created the Direct Infusion MEtabolite database (DIMEdb), a comprehensive web-based metabolite database that contains over 80,000 metabolites sourced from a number of renowned metabolite databases of which can be utilised in the analysis and annotation of DIMS data. To demonstrate the efficacy of DIMEdb, a simple use case for metabolic identification is presented. DIMEdb aims to provide a single point of access to metabolite information, and hopefully facilitate the development of much needed bioinformatic tools.

Adolescent females have a high prevalence of temporomandibular joint (TMJ) anterior disc displacement (ADD), which can lead to condylar resorption and dentofacial deformity. Polycystic ovarian syndrome (PCOS) is a common endocrine disorder that disrupts bone metabolism. However, the effects of PCOS on bone remodeling especially after disc repositioning (DR) surgery are not well understood. This was a retrospective study. Patients aged 12 to 20 years diagnosed with ADD were reviewed and matched into 3 groups: A (ADD without PCOS), B (ADD with untreated PCOS), and C (ADD with treated PCOS). Each group was divided into 2 subgroups according to ADD observation (A1, B1, C1) and DR (A2, B2, C2). Condylar height (CH) was measured by MRI at the start (T0) and after more than 6 months follow-up (T1). ∆CH (T1-T0) were compared within and between groups. 93 patients (157 joints) with an average age of 15.17 ± 2.35 years and follow-up period of 14.04 ± 9.11 months were selected in the study. ∆CH in Group B1 was significantly larger than that in Groups A1 and C1 (p = 0.048, p = 0.018). While in Group B2, it was significant smaller than Groups A2 and C2 (p < 0.001, p = 0.023). There was no significant difference of ∆CH between Groups C2 and A2. DR acquired larger ∆CH than observation within each A, B, C Groups (p < 0.05). Multiple linear regression analysis showed that ∆CH was related to the presence of PCOS (p = 0.003), PCOS treatment (p < 0.001), and DR (p < 0.001). Adolescent ADD with untreated PCOS can aggravate condylar degeneration and affect bone remodeling after DR. PCOS treatment can improve bone remodeling.

Background: Lung cancer (LC) is one of the leading lethal cancers worldwide, with an estimated 18.4% of all cancer deaths being attributed to the disease. Despite developments in cancer diagnosis and treatment over the previous thirty years, LC has seen little to no improvement in the overall five year survival rate after initial diagnosis. Methods: In this paper, we extended a recent study which profiled the metabolites in sputum from patients with lung cancer and age-matched volunteers smoking controls using flow infusion electrospray ion mass spectrometry. We selected key metabolites for distinguishing between different classes of lung cancer, and employed artificial neural networks and leave-one-out cross-validation to evaluate the predictive power of the identified biomarkers. Results: The neural network model showed excellent performance in classification between lung cancer and control groups with the area under the receiver operating characteristic curve of 0.99. The sensitivity and specificity of for detecting cancer from controls were 96% and 94% respectively. Furthermore, we have identified six putative metabolites that were able to discriminate between sputum samples derived from patients suffering small cell lung cancer (SCLC) and non-small cell lung cancer. These metabolites achieved excellent cross validation performance with a sensitivity of 80% and specificity of 100% for predicting SCLC. Conclusions: These results indicate that sputum metabolic profiling may have potential for screening of lung cancer and lung cancer recurrence, and may greatly improve effectiveness of clinical intervention.