Screening for Inhibitors of Microglia to Reduce Neuroinflammation
Notice bibliographique
Résumé
BACKGROUND: Despite the significant role microglia play in the pathology of multiple sclerosis (MS), medications that act within the central nervous system (CNS) to inhibit microglia have not yet been identified as treatment options. OBJECTIVE: We screened 1040 compounds with the aim of identifying inhibitors of microglia to reduce neuroinflammation. METHODS: The NINDs collection of 1040 compounds, where most are therapeutic medications, was tested at 10 µM final concentration on lipopolysaccharide (LPS)-activated human microglia. An ELISA was run on the media to measure the level of TNF-α as an indicator of microglia activity. For compounds that reduce LPS-activated TNF-α levels by over 50%, considered as a potential inhibitor of interest, toxicity tests were conducted to exclude non-specific cytotoxicity. Promising compounds were subjected to further analyses, including toxicity to other CNS cell types, and multiplex assays. RESULTS: Of 1040 compounds tested, 123 reduced TNF-α levels of LPS-activated microglia by over 50%. However, most of these were cytotoxic to microglia at the concentration tested while 54 were assessed to be non-toxic. Of the latter, spironolactone was selected for further analyses. Spironolactone reduced TNF-α levels of activated microglia by 50-60% at 10 µM, and this concentration did not kill microglia, neurons or astrocytes. In multiplex assays, spironolactone reduced several molecules in activated microglia. Finally, during the screening, we identified 9 compounds that elevated further the TNF-α levels in LPS-activated microglia. CONCLUSION: Many of the non-toxic compounds identified in this screen as inhibitors of microglia, including spironolactone, may be explored as viable therapeutic options in MS.
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 | 0,002 |
| 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 | 0,001 | 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 ».