Recent studies have demonstrated that bone marrow mesenchymal stem cells (BMSCs) protect the injured neurons of spinal cord injury (SCI) from apoptosis while the underlying mechanism of the protective effect of BMSCs remains unclear. In this study, we found the transfer of mitochondria from BMSCs to injured motor neurons and detected the functional improvement after transplanting. Methods: Primary rat BMSCs were co-cultured with oxygen-glucose deprivation (OGD) injured VSC4.1 motor neurons or primary cortical neurons. FACS analysis was used to detect the transfer of mitochondria from BMSCs to neurons. The bioenergetics profiling of neurons was detected by Extracellular Flux Analysis. Cell viability and apoptosis were also measured. BMSCs and isolated mitochondria were transplanted into SCI rats. TdT-mediated dUTP nick end labelling staining was used to detect apoptotic neurons in the ventral horn. Immunohistochemistry and Western blotting were used to measure protein expression. Re-myelination was examined by transmission electron microscope. BBB scores were used to assess locomotor function. Results: MitoTracker-Red labelled mitochondria of BMSCs could be transferred to the OGD injured neurons. The gap junction intercellular communication (GJIC) potentiator retinoid acid increased the quantity of mitochondria transfer from BMSCs to neurons, while GJIC inhibitor 18β glycyrrhetinic acid decreased mitochondria transfer. Internalization of mitochondria improved the bioenergetics profile, decreased apoptosis and promoted cell survival in post-OGD motor neurons. Furthermore, both transplantation of mitochondria and BMSCs to the injured spinal cord improved locomotor functional recovery in SCI rats. Conclusions: To our knowledge, this is the first evidence that BMSCs protect against SCI through GJIC to transfer mitochondrial to the injured neurons. Our findings suggested a new therapy strategy of mitochondria transfer for the patients with SCI.

Nutritional intake is closely linked to gonadal development, although the mechanisms by which food intake affects gonadal development are not fully understood. Cholecystokinin (CCK) is a satiety neuropeptide derived from the hypothalamus, and the present study observed that hypothalamic CCK expression is significantly influenced by food intake, which is mediated through blood glucose levels. Interestingly, CCK and its receptors were observed to exhibit a high expression in the hypothalamus–pituitary–gonad (HPG) axis of grass carp (Ctenopharyngodon idellus), suggesting that CCK is potentially involved in regulating fish reproduction through the HPG axis. Further investigations revealed that CCK could significantly stimulate the expression of gonadotropin-releasing hormone-3 (GnRH3) in the hypothalamus. In addition, single-cell RNA sequencing showed that cckrb was highly enriched in pituitary follicle-stimulating hormone (FSH) cells. Further study confirmed that CCK can significantly induce FSH synthesis and secretion in primary cultured pituitary cells. Additionally, with primary cultured ovary cells as a model, the in vitro experiment demonstrated that CCK directly induces the expression of lhr, fshr, and cyp19a1a mRNA. This indicates that hypothalamic CCK may act as a nutrient sensor involved in regulating gonadal development in teleosts.

Cerebrospinal fluid (CSF) β2-microglobulin (β2M) has been demonstrated as an important factor in β-amyloid (Aβ) neurotoxicity and a potential target for Alzheimer's disease (AD). However, more investigation is required to ascertain the relationship between β2M and glial activities in AD pathogenesis. In this study, 211 participants from the Alzheimer's disease Neuroimaging Initiative (ADNI) with CSF and Plasma β2M, CSF glial fibrillary acidic protein (GFAP), soluble triggering receptor expressed on myeloid cells 2 (sTREM2), Aβ42, phosphorylated-tau (P-tau) and total tau (T-tau) were divided into four groups, stage 0, 1, 2, and suspected non-AD pathology (SNAP) based on the National Institute on Aging- Alzheimer's Association (NIA-AA) criteria. Multiple linear regression, linear mixed effects models, and causal mediation analyses bootstrapped 10,000 iterations were used to investigate the underlying associations among β2M and CSF biomarkers at baseline and during a longitudinal visit. CSF β2M concentration decreased with amyloid in stage 1 compared with stage 0 and increased with tau pathology and neurodegeneration in stage 2 and SNAP compared with stage 1. Moreover, CSF β2M level was positively correlated with the Aβ42 (β = 0.230), P-tau (β = 0.564), T-tau (β = 0.603), GFAP (β = 0.552), and sTREM2 (β = 0.641) (all P < 0.001). CSF β2M was only longitudinally correlated with T-tau change. The correlation of CSF β2M with P-tau (proportion = 25.4%, P < 0.001) and T-tau (proportion = 26.7%, P < 0.001) was partially mediated by GFAP in total participants, reproduced in late-life individuals. Furthermore, the astrocyte cascade also partially mediated the pathological relationship between CSF β2M and tau pathology (β2M → GFAP → YKL-40 → P-tau/T-tau, IE: 0.424—0.435, all P < 0.001). Nevertheless, the mediation effects of sTREM2 were not significant. Additionally, there was no association between plasma β2M and CSF biomarkers. CSF β2M is dynamic in AD pathology and associated with neuroinflammation. CSF GFAP might mediate the association between β2M and tau pathology, complementing the existing research on the effect of β2M in AD pathology and providing a new perspective on treatment.

Objective To evaluate the effectiveness of machine learning (ML) models in predicting 5-year type 2 diabetes mellitus (T2DM) risk within the Chinese population by retrospectively analyzing annual health checkup records. Methods We included 46,247 patients (32,372 and 13,875 in training and validation sets, respectively) from a national health checkup center database. Univariate and multivariate Cox analyses were performed to identify factors influencing T2DM risk. Extreme Gradient Boosting (XGBoost), support vector machine (SVM), logistic regression (LR), and random forest (RF) models were trained to predict 5-year T2DM risk. Model performances were analyzed using receiver operating characteristic (ROC) curves for discrimination and calibration plots for prediction accuracy. Results Key variables included fasting plasma glucose, age, and sedentary time. The LR model showed good accuracy with respective areas under the ROC (AUCs) of 0.914 and 0.913 in training and validation sets; the RF model exhibited favorable AUCs of 0.998 and 0.838. In calibration analysis, the LR model displayed good fit for low-risk patients; the RF model exhibited satisfactory fit for low- and high-risk patients. Conclusions LR and RF models can effectively predict T2DM risk in the Chinese population. These models may help identify high-risk patients and guide interventions to prevent complications and disabilities.