5‐Aza‐2′‐deoxycytidine and interleukin‐1 cooperate to regulate matrix metalloproteinase‐3 gene expression
Notice bibliographique
Résumé
Members of the matrix metalloproteinase (MMP) family of enzymes play a critical role in extracellular matrix remodeling in a number of normal and pathologic processes. Accordingly, activation of MMP gene expression is tightly regulated at the level of transcription by specific transcription factors, most notably following exposure to inflammatory cytokines. Recent studies with 5-aza-2'-deoxycytidine (5-aza-dC), a specific DNA methylase inhibitor, also suggest that epigenetic processes contribute to the regulation of MMP expression. Although inflammation-related aberrant patterns of DNA methylation have been described, a mechanistic link between inflammation and epigenetic alterations in the control of MMP expression remains unclear. Here, we provide evidence that increased MMP-3 expression by 5-aza-dC is modulated by interleukin-1 (IL-1). More specifically, we found that stimulation with IL-1, but not with IL-6 or TNFα, significantly increased the hypomethylation status of the MMP-3 promoter to a level similar to that found in dnmt1/dnmt3b-deficient HCT116 (DKO) cells. Furthermore, we showed that increased MMP-3 expression by 5-aza-dC was associated with increased expression and activity of specific transcription factors known to regulate MMP-3 expression. In fact, treatment with 5-aza-dC was obligatory for some transcription factors to trigger an increase in MMP-3 expression, such as Ap-1. In contrast, CCAAT enhancer-binding proteins and E-twenty six were capable of inducing MMP-3 alone. Overall, these findings provide a novel perspective of the collaborative role of 5-aza-dC and inflammatory cytokines with specific transcription factors that are normally involved in MMP-3 expression.
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 ».