Tyrosine kinase inhibitors of Ripk2 attenuate bacterial cell wall-mediated lipolysis, inflammation and dysglycemia
Notice bibliographique
Résumé
Abstract Inflammation underpins aspects of insulin resistance and dysglycemia. Microbiota-derived cell wall components such as muropeptides or endotoxin can trigger changes in host immunity and metabolism. Specific peptidoglycan motifs promote metabolic tissue inflammation, lipolysis and insulin resistance via Nucleotide-binding oligomerization domain-containing protein 1 (Nod1). Receptor-interacting serine/threonine-protein kinase 2 (Ripk2) mediates Nod1-induced immunity, but the role of Ripk2 in metabolism is ill-defined. We hypothesized that Ripk2 was required for Nod1-mediated inflammation, lipolysis and dysglycemia. This is relevant because certain tyrosine kinase inhibitors (TKIs) inhibit Ripk2 and there is clinical evidence of TKIs lowering inflammation and blood glucose. Here, we showed that only a subset of TKIs known to inhibit Ripk2 attenuated Nod1 ligand-mediated adipocyte lipolysis. TKIs that inhibit Ripk2 decreased cytokine responses induced by Nod1-activating peptidoglycan, but not endotoxin in both metabolic and immune cells. Pre-treatment of adipocytes or macrophages with the TKI gefitinib inhibited Nod1-induced Cxcl1 and Il-6 secretion. Furthermore, treatment of mice with gefitinib prevented Nod1-induced glucose intolerance in vivo. Ripk2 was required for these effects on inflammation and metabolism, since Nod1-mediated cytokine and blood glucose changes were absent in Ripk2−/− mice. Our data show that specific TKIs used in cancer also inhibit Nod1-Ripk2 immunometabolism responses indicative of metabolic disease.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 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 ».