A High Affinity Interaction of Plasminogen with Fibrin Is Not Essential for Efficient Activation by Tissue-type Plasminogen Activator
Notice bibliographique
Résumé
Fibrin (Fn) enhances plasminogen (Pg) activation by tissue-type plasminogen activator (tPA) by serving as a template onto which Pg and tPA assemble. To explore the contribution of the Pg/Fn interaction to Fn cofactor activity, Pg variants were generated and their affinities for Fn were determined using surface plasmon resonance (SPR). Glu-Pg, Lys-Pg (des(1-77)), and Mini-Pg (lacking kringles 1-4) bound Fn with K(d) values of 3.1, 0.21, and 24.5 μm, respectively, whereas Micro-Pg (lacking all kringles) did not bind. The kinetics of activation of the Pg variants by tPA were then examined in the absence or presence of Fn. Whereas Fn had no effect on Micro-Pg activation, the catalytic efficiencies of Glu-Pg, Lys-Pg, and Mini-Pg activation in the presence of Fn were 300- to 600-fold higher than in its absence. The retention of Fn cofactor activity with Mini-Pg, which has low affinity for Fn, suggests that Mini-Pg binds the tPA-Fn complex more tightly than tPA alone. To explore this possibility, SPR was used to examine the interaction of Mini-Pg with Fn in the absence or presence of tPA. There was 50% more Mini-Pg binding to Fn in the presence of tPA than in its absence, suggesting that formation of the tPA-Fn complex exposes a cryptic site that binds Mini-Pg. Thus, our data (a) indicate that high affinity binding of Pg to Fn is not essential for Fn cofactor activity, and (b) suggest that kringle 5 localizes and stabilizes Pg within the tPA-Fn complex and contributes to its efficient activation.
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 ».