JNK Activation Turns on LPS- and Gram-Negative Bacteria-Induced NADPH Oxidase-Dependent Suicidal NETosis
Notice bibliographique
Résumé
Neutrophils cast neutrophil extracellular traps (NETs) to ensnare microbial pathogens. Nevertheless, the molecular rheostats that regulate NETosis in response to bacteria are not clearly established. We hypothesized that stress-activated protein kinase or c-Jun N-terminal Kinase (SAPK/JNK) is a molecular switch that turns on NETosis in response to increasing concentrations of lipopolysaccharide (LPS)- and Gram-negative bacteria. Here we show that Escherichia coli LPS (0111:B4; 10-25 μg/ml), but not phorbol myristate acetate (PMA), activates JNK in human neutrophils in a dose-dependent manner. JNK inhibitors SP600125 and TCSJNK6o, and a TLR4 inhibitor TAK242 suppress reactive oxygen species production and NETosis in LPS-, but not PMA-treated neutrophils. Diphenyleneiodonium suppresses LPS-induced NETosis, confirming that endotoxin induces NADPH oxidase-dependent NETosis. Immunoblots, Sytox Green assays, and confocal microscopy of cleaved caspase-3 and nuclear morphology show that JNK inhibition does not induce apoptosis in LPS-stimulated neutrophils. JNK inhibition also suppresses NETosis induced by two typical Gram-negative bacteria, E. coli and Pseudomonas aeruginosa. Therefore, we propose that neutrophils use a TLR4-dependent, JNK-mediated molecular sensing mechanism to initiate NADPH oxidase-dependent suicidal NETosis in response to increasing concentrations of LPS, and Gram-negative bacteria. The LPS-TLR4-JNK activation axis determines the fate of these cells: to be or not to be NETotic neutrophils.
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 | 0,002 | 0,001 |
| Communication savante | 0,001 | 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 ».