Inflammatory Cytokines IL-32 and IL-17 Have Common Signaling Intermediates despite Differential Dependence on TNF-Receptor 1
Notice bibliographique
Résumé
Cytokines IL-32 and IL-17 are emerging as critical players in the pathophysiology of immune-mediated chronic inflammatory diseases. It has been speculated that the molecular mechanisms governing IL-32- and IL-17-mediated cellular responses are differentially dependent on the TNF pathway. In this study, kinome analysis demonstrated that following stimulation with cytokine IL-32, but not IL-17, there was increased phosphorylation of a peptide target corresponding to TNF-R1. Consistent with this observation, blocking TNF-R1 resulted in a suppression of IL-32-induced downstream responses, indicating that IL-32-mediated activity may be dependent on TNF-R1. In contrast, blocking TNF-R1 did not affect IL-17-induced downstream responses. Kinome analysis also implicated p300 (transcriptional coactivator) and death-associated protein kinase-1 (DAPK-1) as signaling intermediates for both IL-32 and IL-17. Phosphorylation of p300 and DAPK-1 upon stimulation with either IL-32 or IL-17 was confirmed by immunoblots. The presence of common targets was supported by results demonstrating similar downstream responses induced in the presence of IL-32 and IL-17, such as transcriptional responses and the direct activation of NF-κB. Furthermore, knockdown of p300 and DAPK-1 altered downstream responses induced by IL-32 and IL-17, and impacted certain cellular responses induced by TNF-α and IL-1β. We hypothesize that p300 and DAPK-1 represent nodes where the inflammatory networks of IL-32 and IL-17 overlap, and that these proteins would affect both TNF-R1-dependent and -independent pathways. Therefore, p300 and DAPK-1 are viable potential therapeutic targets for chronic inflammatory diseases.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».