Protein Kinase D Is a Key Regulator of Cardiomyocyte Lipoprotein Lipase Secretion After Diabetes
Notice bibliographique
Résumé
The diabetic heart switches to exclusively using fatty acid (FA) for energy supply and does so by multiple mechanisms including hydrolysis of lipoproteins by lipoprotein lipase (LPL) positioned at the vascular lumen. We determined the mechanism that leads to an increase in LPL after diabetes. Diazoxide (DZ), an agent that decreases insulin secretion and causes hyperglycemia, induced a substantial increase in LPL activity at the vascular lumen. This increase in LPL paralleled a robust phosphorylation of Hsp25, decreasing its association with PKCdelta, allowing this protein kinase to phosphorylate and activate protein kinase D (PKD), an important kinase that regulates fission of vesicles from the golgi membrane. Rottlerin, a PKCdelta inhibitor, prevented PKD phosphorylation and the subsequent increase in LPL. Incubating control myocytes with high glucose and palmitic acid (Glu+PA) also increased the phosphorylation of Hsp25, PKCdelta, and PKD in a pattern similar to that seen with diabetes, in addition to augmenting LPL activity. In myocytes in which PKD was silenced or a mutant form of PKCdelta was expressed, high Glu+PA were incapable of increasing LPL. Moreover, silencing of cardiomyocyte Hsp25 allowed phorbol 12-myristate 13-acetate to elicit a significant phosphorylation of PKCdelta, an appreciable association between PKCdelta and PKD, and a vigorous activation of PKD. As these cells also demonstrated an additional increase in LPL, our data imply that after diabetes, PKD control of LPL requires dissociation of Hsp25 from PKCdelta, association between PKCdelta and PKD, and vesicle fission. Results from this study could help in restricting cardiac LPL translocation, leading to strategies that overcome contractile dysfunction after diabetes.
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 ».