Biased signalling and proteinase‐activated receptors (<scp>PAR</scp>s): targeting inflammatory disease
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Although it has been known since the 1960s that trypsin and chymotrypsin can mimic hormone action in tissues, it took until the 1990s to discover that serine proteinases can regulate cells by cleaving and activating a unique four-member family of GPCRs known as proteinase-activated receptors (PARs). PAR activation involves the proteolytic exposure of its N-terminal receptor sequence that folds back to function as a 'tethered' receptor-activating ligand (TL). A key N-terminal arginine in each of PARs 1 to 4 has been singled out as a target for cleavage by thrombin (PARs 1, 3 and 4), trypsin (PARs 2 and 4) or other proteases to unmask the TL that activates signalling via Gq , Gi or G12 /13 . Similarly, synthetic receptor-activating peptides, corresponding to the exposed 'TL sequences' (e.g. SFLLRN-, for PAR1 or SLIGRL- for PAR2) can, like proteinase activation, also drive signalling via Gq , Gi and G12 /13 , without requiring receptor cleavage. Recent data show, however, that distinct proteinase-revealed 'non-canonical' PAR tethered-ligand sequences and PAR-activating agonist and antagonist peptide analogues can induce 'biased' PAR signalling, for example, via G12 /13 -MAPKinase instead of Gq -calcium. This overview summarizes implications of this 'biased' signalling by PAR agonists and antagonists for the recognized roles the PARs play in inflammatory settings.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle