Platelet factor 4 upregulates matrix metalloproteinase‐1 production in gingival fibroblasts
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVE: Periodontitis is a highly prevalent chronic inflammatory disease that causes tooth loss, morbidity and confers an increased risk for systemic disease. Tissue destruction during periodontitis is due in large part to collagen-degrading matrix metalloproteinases (MMPs) released by resident cells of the periodontium in response to proinflammatory cytokines. Platelets are immune-competent blood cells with a newly recognized role in chronic inflammation; however, their role in the pathogenesis of periodontitis is undefined. Consequently, the objective of this study was to assess the effect of platelet factor 4 (PF4), a major platelet-derived cytokine, on MMP-1 (collagenase) expression in human gingival fibroblasts (HGFs). MATERIAL AND METHODS: HGFs were cultured in the presence or absence of recombinant PF4. Pro-MMP-1 secretion was quantified by enzyme-linked immunosorbent assay analysis of the cell culture supernatants. MMP-1 transcription was quantified by real-time polymerase chain reaction. Regulation of MMP-1 production by the p44/42 MAP kinase (MAPK) signaling pathway was examined in the presence or absence of PF4. RESULTS: Exposure to PF4 caused a ~ 2-3-fold increase in MMP-1 transcription and secretion from cultured HGFs. PF4 treatment also enhanced phosphorylation of p44/42 MAPK, which has been previously shown to induce MMP-1 expression in fibroblasts. Blockade of p44/42 MAPK signaling with the cell-permeant inhibitors PD98059 and PD184352 abrogated PF4-induced pro-MMP-1 transcription upregulation and release from cultured HGFs. CONCLUSION: We conclude that PF4 upregulates MMP-1 expression in HGFs in a p44/42 MAPK-dependent manner. These findings point to a previously unidentified role for platelets in the pathogenesis of periodontal 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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».