Physiology and role of PCSK9 in vascular disease: Potential impact of localized PCSK9 in vascular wall
Notice bibliographique
Résumé
Abstract Proprotein convertase subtilisin/kexin type‐9 (PCSK9), a member of the proprotein convertase family, is an important drug target because of its crucial role in lipid metabolism. Emerging evidence suggests a direct role of localized PCSK9 in the pathogenesis of vascular diseases. With this in our consideration, we reviewed PCSK9 physiology with respect to recent development and major studies (clinical and experimental) on PCSK9 functionality in vascular disease. PCSK9 upregulates low‐density lipoprotein (LDL)‐cholesterol levels by binding to the LDL‐receptor (LDLR) and facilitating its lysosomal degradation. PCSK9 gain‐of‐function mutations have been confirmed as a novel genetic mechanism for familial hypercholesterolemia. Elevated serum PCSK9 levels in patients with vascular diseases may contribute to coronary artery disease, atherosclerosis, cerebrovascular diseases, vasculitis, aortic diseases, and arterial aging pathogenesis. Experimental models of atherosclerosis, arterial aneurysm, and coronary or carotid artery ligation also support PCSK9 contribution to inflammatory response and disease progression, through LDLR‐dependent or ‐independent mechanisms. More recently, several clinical trials have confirmed that anti‐PCSK9 monoclonal antibodies can reduce systemic LDL levels, total nonfatal cardiovascular events, and all‐cause mortality. Interaction of PCSK9 with other receptor proteins (LDLR‐related proteins, cluster of differentiation family members, epithelial Na + channels, and sortilin) may underlie its roles in vascular disease. Improved understanding of PCSK9 roles and molecular mechanisms in various vascular diseases will facilitate advances in lipid‐lowering therapy and disease prevention.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,005 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».