Angiopoietin-1 and Vascular Endothelial Growth Factor Regulation of Leukocyte Adhesion to Endothelial Cells
Notice bibliographique
Résumé
OBJECTIVE: Vascular endothelial growth factor (VEGF) promotes leukocyte adhesion to endothelial cells (ECs). Angiopoietin-1 (Ang-1) inhibits this response. Nuclear receptor-77 (Nur77) is a proangiogenic nuclear receptor. In the present study, we assessed the influence of Ang-1 and VEGF on Nur77 expression in ECs, and evaluated its role in Ang-1/VEGF-mediated leukocyte adhesion. METHODS AND RESULTS: Expression of Nur77 was evaluated with real-time polymerase chain reaction and immunoblotting. Adhesion of leukocytes to ECs was monitored with inverted microscopy. Nur77 expression or activity was inhibited using adenoviruses expressing dominant-negative form of Nur77, retroviruses expressing Nur77 in the antisense direction, and small interfering RNA oligos. Both Ang-1 and VEGF induce Nur77 expression, by >5- and 30-fold, respectively. When combined, Ang-1 potentiates VEGF-induced Nur77 expression. Ang-1 induces Nur77 through the phosphoinositide 3-kinase and extracellular signal-regulated protein kinase 1/2 pathways. VEGF induces Nur77 expression through the protein kinase D/histone deacetylase 7/myocyte enhancer factor 2 and extracellular signal-regulated protein kinase 1/2 pathways. VEGF induces nuclear factor-kappaB transcription factor, vascular cell adhesion molecule-1, and E-selectin expressions, and promotes leukocyte adhesion to ECs. Ang-1 inhibits these responses. This inhibitory effect of Ang-1 disappears when Nur77 expression is disrupted, restoring the inductive effects of VEGF on adhesion molecule expression, and increased leukocyte adhesion to ECs. CONCLUSIONS: Nur77 promotes anti-inflammatory effects of Ang-1, and functions as a negative feedback inhibitor of VEGF-induced EC activation.
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 ».