Dual Regulation of Myocardin Expression by Tumor Necrosis Factor-α in Vascular Smooth Muscle Cells
Notice bibliographique
Résumé
De-differentiation of vascular smooth muscle cells (VSMCs) plays a critical role in the development of atherosclerosis, a chronic inflammatory disease involving various cytokines such as tumor necrosis factor-α (TNFα). Myocardin is a co-factor of serum response factor (SRF) and is considered to be the master regulator of VSMC differentiation. It binds to SRF and regulates the expression of contractile proteins in VSMCs. Myocardin is also known to inhibit VSMC proliferation by inhibiting the NF-κB pathway, whereas TNFα is known to activate the NF-κB pathway in VSMCs. NF-κB activation has also been shown to inhibit myocardin expression and smooth muscle contractile marker genes. However, it is not definitively known whether TNFα regulates the expression and activity of myocardin in VSMCs. The current study aimed to investigate the role of TNFα in regulating myocardin and VSMC function. Our studies showed that TNFα down-regulated myocardin expression and activity in cultured VSMCs by activating the NF-κB pathway, resulting in decreased VSMC contractility and increased VSMC proliferation. Surprisingly, we also found that TNFα prevented myocardin mRNA degradation, and resulted in a further significant increase in myocardin expression and activity in differentiated VSMCs. Both the NF-κB and p44/42 MAPK pathways were involved in TNFα regulation of myocardin, which further increased the contractility of VSMCs. These differential effects of TNFα on myocardin seemingly depended on whether VSMCs were in a differentiated or de-differentiated state. Taken together, our results demonstrate that TNFα differentially regulates myocardin expression and activity, which may play a key role in regulating VSMC functions.
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) | 0,001 | 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 ».