Effects of the Prosegment and pH on the Activity of PCSK9
Notice bibliographique
Résumé
PCSK9, a target for the treatment of dyslipidemia, enhances the degradation of the LDL receptor (LDLR) in endosomes/lysosomes, up-regulating LDL-cholesterol levels. Whereas the targeting and degradation of the PCSK9-LDLR complex are under scrutiny, the roles of the N- and C-terminal domains of PCSK9 are unknown. Although autocatalytic zymogen processing of PCSK9 occurs at Gln(152)↓, here we show that human PCSK9 can be further cleaved in its N-terminal prosegment at Arg(46)↓ by an endogenous enzyme of insect High Five cells and by a cellular mammalian protease, yielding an ∼4-fold enhanced activity. Removal of the prosegment acidic stretch resulted in ∼3-fold higher binding to LDLR in vitro, in ≥4-fold increased activity on cellular LDLR, and faster cellular internalization in endosome/lysosome-like compartments. Finally, swapping the acidic stretch of PCSK9 with a similar one found in the glycosylphosphatidylinositol-anchored heparin-binding protein 1 does not impair PCSK9 autoprocessing, secretion, or activity and confirmed that the acidic stretch acts as an inhibitor of PCSK9 function. We also show that upon short exposure to pH values 6.5 to 5.5, an ∼2.5-fold increase in PCSK9 activity on total and cell surface LDLR occurs, and PCSK9 undergoes a second cleavage at Arg(248), generating a two-chain PCSK9-ΔN(248). At pH values below 5.5, PCSK9 dissociates from its prosegment and loses its activity. This pH-dependent activation of PCSK9 represents a novel pathway to further activate PCSK9 in acidic endosomes. These data enhance our understanding of the functional role of the acidic prosegment and on the effect of pH in the regulation of PCSK9 activity.
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 ».