Cysteinyl‐glycine reduces mucosal pro‐inflammatory cytokine response to fMLP in a piglet model of intestinal atrophy
Notice bibliographique
Résumé
PepT1 is a small intestinal (SI) di/tripeptide transporter also capable of transporting bacterial peptides. We measured the mucosal cytokine response to a pro‐inflammatory peptide (fMLP) when delivered with cysteinyl‐glycine (CG); CG competes for PepT1‐mediated uptake and has anti‐inflammatory potential. Pigs (n=6, 10 d) received parenteral nutrition (PN) for 4 d to induce SI atrophy; littermates (n=6) remained with the sow (S). Subsequently, five 10 cm loops of the distal SI were isolated and perfused for 3 h with one of: 1) 5 mM cysteine + 5 mM glycine (5 mM cys + gly) 2) 5 mM CG 3) 10 μM fMLP 4) 5 mM cys + gly + 10 μM fMLP 5) 5 mM CG + 10 μM fMLP. In both S and PN, SI exposed to fMLP had higher mucosal TNF‐α and IFN‐γ compared to unexposed loops (p<0.001), while IFN‐γ was higher in PN compared to S pigs (p < 0.01). CG + fMLP treatment lowered the IFN‐γ response in both S and PN (p <0.05), but neither group responded significantly to free cys + gly. Interestingly, free cys + gly reduced the TNF‐α response in S pigs (p<0.001), but not in the PN group. CG + fMLP lowered TNF‐α compared to fMLP alone in both groups (p<0.001) and in S pigs the response was significantly more abated than with cys + gly (p < 0.001). Thus, CG was more effective than free cys + gly at attenuating a bacterial peptide‐induced cytokine response particularly in the injured SI; this may be due to impaired free amino acid uptake or effective competitive inhibition of fMLP uptake. (NSERC)
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».