Functional proteomic profiling reveals KLK13 and TMPRSS11D as active proteases in the lower female reproductive tract
Notice bibliographique
Résumé
<ns4:p> <ns4:bold>Background</ns4:bold> : Cervical-vaginal fluid (CVF) hydrates the mucosa of the lower female reproductive tract and is known to contain numerous proteases. The low pH of CVF (4.5 or below in healthy women of reproductive age) is a uniquely human attribute and poses a challenge for the proteolytic functioning of the proteases identified in this complex biological fluid. Despite the abundance of certain proteases in CVF, the proteolytic activity and function of proteases in CVF is not well characterized. </ns4:p> <ns4:p> <ns4:bold>Methods</ns4:bold> : In the present study, we employed fluorogenic substrate screening to investigate the influence of pH and inhibitory compounds on the proteolytic activity in CVF. Activity-based probe (ABP) proteomics has evolved as a powerful tool to investigate active proteases within complex proteomes and a trypsin-specific ABP was used to identify active proteases in CVF. </ns4:p> <ns4:p> <ns4:bold>Results</ns4:bold> : Serine proteases are among the most abundant proteins in the CVF proteome. Labeling human CVF samples with the trypsin-specific ABP revealed serine proteases transmembrane protein serine 11D and kallikrein-related peptidase 13 as active proteases in CVF. Furthermore, we demonstrated that the proteolytic activity in CVF is highly pH-dependent with an almost absolute inhibition of trypsin-like proteolytic activity at physiological pH levels. </ns4:p> <ns4:p> <ns4:bold>Conclusions</ns4:bold> : These findings provide a framework to understand proteolytic activity in CVF. Furthermore, the present results provide clues for a novel regulatory mechanism in which fluctuations in CVF pH have the potential to control the catalytic activity in the lower female reproductive tract. </ns4:p>
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 | 0,003 | 0,002 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».