Co-Expression of SERCA Isoforms, Phospholamban and Sarcolipin in Human Skeletal Muscle Fibers
Notice bibliographique
Résumé
Sarcolipin (SLN) and phospholamban (PLN) inhibit the activity of sarco(endo)plasmic reticulum Ca(2+)-ATPases (SERCAs) by reducing their apparent affinity for Ca(2+). A ternary complex between SLN, PLN, and SERCAs results in super-inhibition of SERCA activity. Analysis of skeletal muscle homogenate has limited our current understanding of whether SLN and PLN regulate SERCA1a, SERCA2a, or both in skeletal muscle and whether SLN and PLN are co-expressed in skeletal muscle fibers. Biopsies from human vastus lateralis were analyzed through single fiber Western blotting and immunohisto/fluorescence staining to circumvent this limitation. With a newly generated SLN antibody, we report for the first time that SLN protein is present in human skeletal muscle. Addition of the SLN antibody (50 µg) to vastus lateralis homogenates increased the apparent Ca(2+) affinity of SERCA (K Ca, pCa units) (-Ab, 5.85 ± 0.02 vs. +Ab, 5.95 ± 0.02) and maximal SERCA activity (μmol/g protein/min) (-Ab, 122 ± 6.4 vs. +Ab, 159 ± 11) demonstrating a functional interaction between SLN and SERCAs in human vastus lateralis. Specifically, our results suggest that although SLN and PLN may preferentially regulate SERCA1a, and SERCA2a, respectively, physiologically they both may regulate either SERCA isoform. Furthermore, we show that SLN and PLN co-immunoprecipitate in human vastus lateralis homogenate and are simultaneously expressed in 81% of the fibers analyzed with Western blotting which implies that super-inhibition of SERCA may exist in human skeletal muscle. Finally, we demonstrate unequivocally that mouse soleus contains PLN protein suggesting that super-inhibition of SERCA may also be important physiologically in rodent skeletal muscle.
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 ».