Proteinase-Activated Receptor-2-Induced Colonic Inflammation in Mice: Possible Involvement of Afferent Neurons, Nitric Oxide, and Paracellular Permeability
Notice bibliographique
Résumé
Activation of colonic proteinase-activated receptor-2 (PAR-2) provokes colonic inflammation and increases mucosal permeability in mice. The mechanism of inflammation is under debate and could be neurogenic and/or the consequence of tight-junction opening with passage of exogenous pathogens into the lamina propria. The present study aimed to further characterize the inflammatory effect of PAR-2 activation by investigating: 1) the role of NO, 2) the role of afferent neurons, and 3) a possible cause and effect relationship between colonic paracellular permeability changes and mucosal inflammation. Thus, intracolonic infusion to mice of the PAR-2-activating peptide, SLIGRL, increased both myeloperoxidase (MPO) activity and damage scores indicating colonic inflammation, and enhanced colonic permeability to (51)Cr-EDTA from 2 to 4 h after its infusion. NO synthase inhibitors, L-NAME and aminoguanidine, as well as the neurotoxin capsaicin and NK1, calcitonin gene-related peptide (CGRP) receptor antagonists, SR140333 and CGRP(8-37), prevented SLIGRL-induced MPO and damage score increases and permeability. In contrast, although the tight-junction blocker, 2,4,6-triaminopyrimidine, and the myosin L chain kinase inhibitor, ML-7, prevented SLIGRL-induced increase in permeability, they did not prevent MPO and damage score increases. Taken together our data show that both NO and capsaicin-sensitive afferent neurons are involved in PAR-2-mediated colonic inflammation and paracellular permeability increase. Nevertheless, the inflammation process is not a consequence of increased permeability which results at least in part from the activation of myosin L chain kinase.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».