Cytokines IL-17, TNF and IFN-γ Alter the Expression of Antimicrobial Peptides and Proteins Disparately: A Targeted Proteomics Analysis using SOMAscan Technology
Notice bibliographique
Résumé
Antimicrobial peptides, also known as host defence peptides, are immunomodulatory molecules required to resolve infections. Antimicrobial peptides and proteins (APPs) are important in the control of infections in the lungs. Despite evidence that APPs exhibit a wide range of immune functions and modulate inflammation, the effect of inflammatory cytokines on the expression of APPs is not completely defined. In this study, we profiled the expression of 39 different APPs in human bronchial epithelial cells (HBEC) using Slow Off-rate Modified Aptamer (SOMAmer)-based protein array, in the presence and absence of three different inflammatory cytokines (IL-17, TNF and IFN-γ). Expression of 13 different APPs was altered in response to IL-17, TNF or IFN-γ. Independent validations of selected proteins from the proteomics screen i.e., those that were significantly enhanced by >2-fold change (p < 0.01) using western blots conclusively demonstrated that inflammatory cytokines alter the expression of APPs differentially. For example, the abundance of cathepsin S was enhanced by only IFN-γ, whereas lipocalin-2 was increased by IL-17 alone. Abundance of elafin increased in presence of IL-17 or TNF, but decreased in response to IFN-γ. Whereas the abundance of cathepsin V decreased following stimulation with IL-17, TNF and IFN-γ. The results of this study demonstrate that inflammatory cytokines alter the expression of APPs disparately. This suggests that the composition of the inflammatory cytokine milieu may influence APPs abundance and thus alter the processes required for infection control and regulation of inflammation in the lungs.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».