Iron Loading Makes a Nonfibrogenic Model Air Pollutant Particle Fibrogenic In Rat Tracheal Explants
Notice bibliographique
Résumé
To examine the potential role of particle iron in fibrogenicity, we loaded nonfibrogenic fine (0.12micro) TiO(2) with increasing amounts of Fe(II)-Fe(III) chloride. Dusts were applied to rat tracheal explants, which were maintained in air organ culture for 1 wk. Iron-loaded dust increased procollagen gene expression and tissue hydroxyproline. The active oxygen species (AOS) scavenger tetramethylthiourea prevented these effects. Iron loading caused nuclear factor (NF)-kappaB activation, decreased levels of total IkappaBalpha, but relatively increased levels of both IkappaBalpha-phosphoserine 32/36 and IkappaBalpha-phosphotyrosine. A citrate extract of iron-loaded dust increased procollagen expression. Gel shift using a probe consisting of the NF-kappaB consensus sequence from the prolyl-4-hydroxylase promoter and adjacent bases showed increased nuclear binding, and RT-PCR examination showed increased prolyl-hydroxylase alpha-chain gene expression after iron loading. We conclude that addition of surface iron can convert a nonreactive model air pollutant particle into a fibrogenic particle via AOS- and NF-kappaB-dependent pathways, probably through two different NF-kappaB activation pathways in two different anatomic compartments. This process may proceed in vivo through iron extracted from the dust into the cytoplasm. NF-kappaB activation may directly increase expression of prolyl hydroxylase, an enzyme involved in collagen synthesis. These findings suggest that air pollutant particles containing significant quantities of transition metals may produce airway wall fibrosis and lead to chronic obstructive pulmonary disease.
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 ».