Effects of Interferon-γ and Lipopolysaccharide on Macrophage Iron Metabolism Are Mediated by Nitric Oxide-induced Degradation of Iron Regulatory Protein 2
Notice bibliographique
Résumé
Iron regulatory proteins (IRP-1 and IRP-2) control the synthesis of transferrin receptors (TfR) and ferritin by binding to iron-responsive elements, which are located in the 3'-untranslated region and the 5'-untranslated region of their respective mRNAs. Cellular iron levels affect binding of IRPs to iron-responsive elements and consequently expression of TfR and ferritin. Moreover, NO(*), a redox species of nitric oxide that interacts primarily with iron, can activate IRP-1 RNA binding activity resulting in an increase in TfR mRNA levels. Recently we found that treatment of RAW 264.7 cells (a murine macrophage cell line) with NO(+) (nitrosonium ion, which causes S-nitrosylation of thiol groups) resulted in a rapid decrease in RNA binding of IRP-2 followed by IRP-2 degradation, and these changes were associated with a decrease in TfR mRNA levels (Kim, S., and Ponka, P. (1999) J. Biol. Chem. 274, 33035-33042). In this study, we demonstrated that stimulation of RAW 264.7 cells with lipopolysaccharide (LPS) and interferon-gamma (IFN-gamma) increased IRP-1 binding activity, whereas RNA binding of IRP-2 decreased and was followed by a degradation of this protein. Moreover, the decrease of IRP-2 binding/protein levels was associated with a decrease in TfR mRNA levels in LPS/IFN-gamma-treated cells, and these changes were prevented by inhibitors of inducible nitric oxide synthase. Furthermore, LPS/IFN-gamma-stimulated RAW 264.7 cells showed increased rates of ferritin synthesis. These results suggest that NO(+)-mediated degradation of IRP-2 plays a major role in iron metabolism during inflammation.
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) | 0,001 | 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 ».