Regulator of calcineurin 1 differentially regulates TLR-dependent MyD88 and TRIF signaling pathways
Notice bibliographique
Résumé
Toll-like receptors (TLRs) recognize the conserved molecular patterns in microorganisms and trigger myeloid differentiation primary response 88 (MyD88) and/or TIR-domain-containing adapter-inducing interferon-β (TRIF) pathways that are critical for host defense against microbial infection. However, the molecular mechanisms that govern TLR signaling remain incompletely understood. Regulator of calcineurin-1 (RCAN1), a small evolutionarily conserved protein that inhibits calcineurin phosphatase activity, suppresses inflammation during Pseudomonas aeruginosa infection. Here, we define the roles for RCAN1 in P. aeruginosa lipopolysaccharide (LPS)-activated TLR4 signaling. We compared the effects of P. aeruginosa LPS challenge on bone marrow-derived macrophages from both wild-type and RCAN1-deficient mice and found that RCAN1 deficiency increased the MyD88-NF-κB-mediated cytokine production (IL-6, TNF and MIP-2), whereas TRIF-interferon-stimulated response elements (ISRE)-mediated cytokine production (IFNβ, RANTES and IP-10) was suppressed. RCAN1 deficiency caused increased IκBα phosphorylation and NF-κB activity in the MyD88-dependent pathway, but impaired ISRE activation and reduced IRF7 expression in the TRIF-dependent pathway. Complementary studies of a mouse model of P. aeruginosa LPS-induced acute pneumonia confirmed that RCAN1-deficient mice displayed greatly enhanced NF-κB activity and MyD88-NF-κB-mediated cytokine production, which correlated with enhanced pulmonary infiltration of neutrophils. By contrast, RCAN1 deficiency had little effect on the TRIF pathway in vivo. These findings demonstrate a novel regulatory role of RCAN1 in TLR signaling, which differentially regulates MyD88 and TRIF pathways.
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 ».