The Pro-Inflammatory Cytokines IL-1β and TNFα Are Neurotrophic for Enteric Neurons
Notice bibliographique
Résumé
Intestinal inflammation causes initial axonal degeneration and neuronal death but subsequent axon outgrowth from surviving neurons restores innervation density to the target smooth muscle cells. Elsewhere, the pro-inflammatory cytokines TNFα and IL-1β cause neurotoxicity, leading us to test their role in promoting enteric neuron death. In a rat coculture model, TNFα or IL-1β did not affect neuron number but did promote significant neurite outgrowth to twofold that of control by 48 h, while other cytokines (e.g., IL-4, TGFβ) were without effect. TNFα or IL-1β activated the NFκB signaling pathway, and inhibition of NFκB signaling blocked the stimulation of neurite growth. However, nuclear translocation of NFκB in smooth muscle cells but not in adjacent neurons suggested a dominant role for smooth muscle cells. TNFα or IL-1β sharply increased both mRNA and protein for GDNF, while the neurotrophic effects of TNFα or IL-1β were blocked by the RET-receptor blocker vandetanib. Conditioned medium from cytokine-treated smooth muscle cells mimicked the neurotrophic effect, inferring that TNFα and IL-1β promote neurite growth through NFκB-dependent induction of glial cell line-derived neurotrophic factor (GDNF) expression in intestinal smooth muscle cells. In vivo, TNBS-colitis caused early nuclear translocation of NFκB in smooth muscle cells. Conditioned medium from the intact smooth muscle of the inflamed colon caused a 2.5-fold increase in neurite number in cocultures, while Western blotting showed a substantial increase in GDNF protein. Pro-inflammatory cytokines promote neurite growth through upregulation of GDNF, a novel process that may facilitate re-innervation of smooth muscle cells and a return to homeostasis following initial damage.
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 | 0,001 |
| 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 ».