Melatonin inhibits matrix metalloproteinase‐9 (MMP‐9) activation in the lipopolysaccharide (LPS)‐stimulated RAW 264.7 and BV2 cells and a mouse model of meningitis
Notice bibliographique
Résumé
We explored anti-inflammatory potential of melatonin against the lipopolysaccharide (LPS)-induced inflammation in vivo and in vitro. RAW 264.7 and BV2 cells were stimulated by LPS, followed by the treatment with melatonin or vehicle at various time intervals. In a mouse model of meningitis induced by LPS, melatonin (5mg/kg) or vehicle was intravenously injected at 30min postinsult. The activity of matrix metalloproteinase-2 (MMP-2) and metalloproteinase-9 (MMP-9) was determined by gelatin zymography. Nuclear factor-kappa B (NFκB) translocation and binding activity were determined by immunocytochemistry and electrophoretic mobility shift assay (EMSA). Our results showed that either pretreatment or cotreatment with melatonin at 50-500 μm effectively inhibited the LPS-induced proMMP-9 activation in the RAW 264.7 and BV2 cells, respectively (P<0.05). This melatonin-induced proMMP-9 inhibition remained effective when treatment was delayed up to 2 and 6hr postinsult for RAW 264.7 and BV2 cells, respectively (P<0.05 for both groups). Additionally, melatonin significantly attenuated the rises of circulatory and cerebral MMP-9 activity, respectively (P<0.05) and reduced the loss of body weight (P<0.05) in mice with meningitis. Moreover, melatonin (50μm) effectively inhibited nuclear factor-kappa B (NFκB) translocation and binding activity in the LPS-treated RAW 264.7 and BV2 cells, respectively (P<0.05). These results demonstrate direct inhibitory actions of melatonin against postinflammatory NFκB translocation and MMP-9 activation and highlight its ability to inhibit systemic and cerebral MMP-9 activation following brain inflammation.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».