Targeting Proteases in Cystic Fibrosis Lung Disease. Paradigms, Progress, and Potential
Notice bibliographique
Résumé
Cystic fibrosis (CF) is the most common life-limiting hereditary condition of Caucasian populations and is characterised by chronic airways inflammation driving progressive structural lung damage.Despite tremendous advances in the treatment of CF and concomitant increased life expectancy for patients, chronic lung disease remains the main cause of morbidity and mortality among CF patients.While universal restoration of cystic fibrosis transmembrane conductance regulator activity remains a future hope, novel therapies aimed at reducing or preventing chronic airways inflammation and progressive structural lung damage are required.It is well-established that proteolytic enzymes are important in the CF lung beyond the basic turnover of proteins and intracellular degradation of pathogens.When secreted, these enzymes play key roles in extracellular substrate modification implicated in important biological processes such as matrix and airway remodelling, goblet cell metaplasia and mucus hypersecretion, immune cell recruitment and dysregulation of epithelial ion channels.Importantly, the burden of proteases in the CF lung is significantly elevated, overwhelming the endogenous antiprotease shield.Indeed, free protease activity has emerged as a major risk factor of the onset and progression of bronchiectasis and lung function decline in patients with CF.Recent research has highlighted the importance of new players such as cathepsin S and matrix metalloprotease-12, as well as the membrane-associated activity of key proteases such as neutrophil elastase on the surface of neutrophils.Here, we review the current knowledge and emerging concepts of the role of host proteases in the pathogenesis of CF lung disease and their potential as therapeutic targets.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».