Kinetics of Chemokine–Glycosaminoglycan Interactions Control Neutrophil Migration into the Airspaces of the Lungs
Notice bibliographique
Résumé
Chemokine-glycosaminoglycan (GAG) interactions are thought to result in the formation of tissue-bound chemokine gradients. We hypothesized that the binding of chemokines to GAGs would increase neutrophil migration toward CXC chemokines instilled into lungs of mice. To test this hypothesis we compared neutrophil migration toward recombinant human CXCL8 (rhCXCL8) and two mutant forms of CXCL8, which do not bind to heparin immobilized on a sensor chip. Unexpectedly, when instilled into the lungs of mice the CXCL8 mutants recruited more neutrophils than rhCXCL8. The CXCL8 mutants appeared in plasma at significantly higher concentrations and diffused more rapidly across an extracellular matrix in vitro. A comparison of the murine CXC chemokines, KC and MIP-2, revealed that KC was more effective in recruiting neutrophils into the lungs than MIP-2. KC appeared in plasma at significantly higher concentrations and diffused more rapidly across an extracellular matrix in vitro than MIP-2. In kinetic binding studies, KC, MIP-2, and rhCXCL8 bound heparin differently, with KC associating and dissociating more rapidly from immobilized heparin than the other chemokines. These data suggest that the kinetics of chemokine-GAG interactions contributes to chemokine function in tissues. In the lungs, it appears that chemokines, such as CXCL8 or MIP-2, which associate and disassociate slowly from GAGs, form gradients relatively slowly compared with chemokines that either bind GAGs poorly or interact with rapid kinetics. Thus, different types of chemokine gradients may form during an inflammatory response. This suggests a new model, whereby GAGs control the spatiotemporal formation of chemokine gradients and neutrophil migration in tissue.
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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».