Ras, Protein Kinase Cζ, and IκB Kinases 1 and 2 Are Downstream Effectors of CD44 During the Activation of NF-κB by Hyaluronic Acid Fragments in T-24 Carcinoma Cells
Notice bibliographique
Résumé
We have investigated the ability of hyaluronic acid (HA) fragments to activate the transcription factor NF-kappa B. HA fragments activated NF-kappa B in the cell lines T-24, HeLa, MCF7, and J774. Further studies in T-24 cells demonstrated that HA fragments also induced I kappa B alpha phosphorylation and degradation, kappa B-linked reporter gene expression, and ICAM-1 promoter activity in an NF-kappa B-dependent manner. The effect of HA was size dependent as neither disaccharide nor native HA were active. CD44, the principal cellular receptor for HA, was critical for the response because the anti-CD44 Ab IM7.8.1 blocked the effect on NF-kappa B. HA fragments activated the I kappa B kinase complex, and the effect on a kappa B-linked reporter gene was blocked in T-24 cells expressing dominant negative I kappa B kinases 1 or 2. Activation of protein kinase C (PKC) was required because calphostin C inhibited NF-kappa B activation and I kappa B alpha phosphorylation. In particular, PKC zeta was required because transfection of cells with dominant negative PKC zeta blocked the effect of HA fragments on kappa B-linked gene expression and HA fragments increased PKC zeta activity. Furthermore, damnacanthal and manumycin A, two mechanistically distinct inhibitors of Ras, blocked NF-kappa B activation. Transfection of T-24 cells with dominant negative Ras (RasN17) blocked HA fragment-induced kappa B-linked reporter gene expression, and HA fragments activated Ras activity within 5 min. Taken together, these studies establish a novel signal transduction cascade emanating from CD44 to Ras, PKC zeta, and I kappa B kinase 1 and 2.
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 | 0,000 | 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 ».