Tyrosine phosphatase SHP‐2 regulates IL‐1 signaling in fibroblasts through focal adhesions
Notice bibliographique
Résumé
Interleukin-1beta (IL-1beta) mediates destruction of matrix collagens in diverse inflammatory diseases including arthritis, periodontitis, and pulmonary fibrosis by activating fibroblasts, cells that interact with matrix proteins through integrin-based adhesions. In vitro, IL-1beta signaling is modulated by focal adhesions, supramolecular protein complexes that are enriched with tyrosine kinases and phosphatases. We assessed the importance of tyrosine phosphatases in regulating cell-matrix interactions and IL-1beta signaling. In human gingival fibroblasts plated on fibronectin, IL-1beta enhanced the maturation of focal adhesions as defined by morphology and enrichment with paxillin and alpha-actinin. IL-1beta also induced activation of ERK and recruitment of phospho-ERK to focal complexes/adhesions. Treatment with the potent tyrosine phosphatase inhibitor pervanadate, in the absence of IL-1beta, recapitulated many of these responses indicating the importance of tyrosine phosphatases. Immunoblotting of collagen bead-associated complexes revealed that the tyrosine phosphatase, SHP-2, was also enriched in focal complexes/adhesions. Depletion of SHP-2 by siRNA or by homologous recombination markedly altered IL-1beta-induced ERK activation and maturation of focal adhesions. IL-1beta-induced tyrosine phosphorylation of SHP-2 on residue Y542 promoted focal adhesion maturation. Association of Gab1 with SHP-2 in focal adhesions correlated temporally with activation of ERK and was abrogated in cells expressing mutant (Y542F) SHP-2. We conclude that IL-1beta mediated maturation of focal adhesions is dependent on tyrosine phosphorylation of SHP-2 at Y542, leading to recruitment of Gab1, a process that may influence the downstream activation of ERK.
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 ».