New developments in proprotein convertase subtilisin–kexin 9's biology and clinical implications
Notice bibliographique
Résumé
PURPOSE OF REVIEW: High levels of LDL-cholesterol (LDL-C) are directly associated with devastating cardiovascular complications. Statins downregulate cholesterol synthesis and upregulate hepatic mRNA levels of LDL receptor (LDLR) and proprotein convertase subtilisin-kexin 9 (PCSK9), a validated enhancer of LDLR protein degradation. Herein, we summarize recent discoveries of the biological properties of PCSK9 in both health and disease states. RECENT FINDINGS: PCSK9 downregulation of the LDLR protein likely explains the observed protective effect of the loss of PCSK9 in reducing lipoprotein(a) and incidence of septic shock. Injectable inhibitory PCSK9 monoclonal antibodies are now prescribed to hypercholesterolemic patients that do not reach target levels of LDL-C with available drugs. PCSK9 also reduces the levels of other receptors, for example, VLDL receptor (VLDLR), ApoER2, CD36, and CD81. The efficacy of the upregulation of LDLR and VLDLR cell surface levels in the absence of PCSK9 is both tissue and sex dependent. As LDLR, CD81, and VLDLR are hepatitis C receptors, PCSK9 may protect against certain viral infections. SUMMARY: New functions of PCSK9 and other receptor targets are beginning to emerge to explain the observed changes in LDL-C and triglycerides. The effect of PCSK9 loss-of-function on glucose metabolism, factors that regulate the expression of PCSK9, and the roles of PCSK9 in other tissues, for example, intestine, kidney, and brain require further investigations.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».