PPAR γ agonist, pioglitazone, suppresses melanoma cancer in mice by inhibiting TLR4 signaling
Notice bibliographique
Résumé
BACKGROUND: Although previous studies demonstrated an anticancer effect for the ligands of peroxisome proliferator-activated receptor gamma (PPARγ) through activation of its anti-inflammatory responses, nevertheless the anti-tumor mechanism of PPARγ has not been intensively investigated. One of the molecules involved in cancer progression is toll-like receptor 4 (TLR4). METHODS: B16F10 melanoma cells were cultured with or without LPS for 24 hr. The cells were subcutaneously injected to two groups of C57BL/6 mice. After the development of palpable tumors each group of animals were divide to four sub-groups and received pioglitazone in different dose ranges (0,10,50,100 mg/kg/day) for 10 days. At the end of the study, the expression of Tlr4, Myd-88, Nf-kb1 genes was evaluated by qRT-PCR in different groups in mice tumor. The TLR-4 protein expression was evaluated by IHC. TNF-α level in mice tumor and serum were measured by ELISA kits. Tumor volume was measured with Vernier calipers. RESULTS: We observed that activation of PPARγ by its agonist, pioglitazone, reduces tumor volume, Tlr-4, Myd-88, Nf-kb1 mRNA expression, TLR4 protein expression and TNF-α production in melanoma tumor especially in groups that were injected with LPS -stimulated cells. Moreover, treatment of melanoma cells with pioglitazone showed that the inhibitory effects of pioglitazone on LPS-induced inflammatory responses were TLR4 dependent. CONCLUSIONS: The results indicate that pioglitazone, a PPARγ agonist, has a beneficial protective effect against melanoma via interfering with the TLR4-dependent signaling 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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».