Activation of ROCK and MLCK tunes regional stress fiber formation and mechanics via preferential myosin light chain phosphorylation
Notice bibliographique
Résumé
The assembly and mechanics of actomyosin stress fibers (SFs) depend on myosin regulatory light chain (RLC) phosphorylation, which is driven by myosin light chain kinase (MLCK) and Rho-associated kinase (ROCK). Although previous work suggests that MLCK and ROCK control distinct pools of cellular SFs, it remains unclear how these kinases differ in their regulation of RLC phosphorylation or how phosphorylation influences individual SF mechanics. Here, we combine genetic approaches with biophysical tools to explore relationships between kinase activity, RLC phosphorylation, SF localization, and SF mechanics. We show that graded MLCK overexpression increases RLC monophosphorylation (p-RLC) in a graded manner and that this p-RLC localizes to peripheral SFs. Conversely, graded ROCK overexpression preferentially increases RLC diphosphorylation (pp-RLC), with pp-RLC localizing to central SFs. Interrogation of single SFs with subcellular laser ablation reveals that MLCK and ROCK quantitatively regulate the viscoelastic properties of peripheral and central SFs, respectively. The effects of MLCK and ROCK on single-SF mechanics may be correspondingly phenocopied by overexpression of mono- and diphosphomimetic RLC mutants. Our results point to a model in which MLCK and ROCK regulate peripheral and central SF viscoelastic properties through mono- and diphosphorylation of RLC, offering new quantitative connections between kinase activity, RLC phosphorylation, and SF viscoelasticity.
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 ».