Neutrophils and the kallikrein–kinin system in proteinase‐activated receptor 4‐mediated inflammation in rodents
Notice bibliographique
Résumé
1 We evaluated a potential role for proteinase-activated receptor 4 (PAR(4)) in a rodent paw inflammation model, with a focus on two main features of inflammation: (1) oedema and (2) granulocyte recruitment. 2 A PAR(4) antagonist (Pepducin P4pal-10; palmitoyl-SGRRYGHALR-NH(2)) reduced both the oedema and granulocyte recruitment induced by a localized administration of carrageenan in the rat hind paw, pointing to a key role for PAR(4) in this inflammation model. 3 Further, intraplantar injection in the mouse hind paw of a PAR(4) agonist (AYPGKF-NH(2)), but not its standard PAR(4)-inactive peptide control (YAPGKF-NH(2)), caused an inflammatory reaction characterized by oedema (increased paw thickness) and granulocyte recruitment (increased paw myeloperoxidase activity). The PAR(4) agonist-induced effects were inhibited in mice pretreated with pepducin P4pal10. 4 These PAR(4) agonist-mediated effects were not affected by pretreatment with inhibitors of either NO production or prostaglandin release (L-NAME and indomethacin, respectively). 5 However, selective immuno-depletion of neutrophils significantly reduced PAR(4) agonist-induced oedema formation. 6 Moreover, AYPGKF-NH(2)-induced oedema was also reduced by pretreatment with either a kinin B(2) receptor antagonist (icatibant) or a tissue or plasma kallikrein inhibitor (FE999024 and FE999026, respectively), but not with a kinin B(1) receptor antagonist (SSR240612). 7 We conclude: (1) that PAR(4) plays an important role in the inflammatory response as it mediates some of the hallmarks of inflammation and (2) that PAR(4)-mediated oedema is dependent on the recruitment of neutrophils and components of the kallikrein-kinin system.
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 | 0,001 | 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 ».