Oxidized low-density lipoprotein and peroxisome-proliferator-activated receptor α down-regulate platelet-activating-factor receptor expression in human macrophages
Notice bibliographique
Résumé
Regulation of the expression of platelet-activating factor (PAF) receptor by atherogenic lipoproteins might contribute to atherogenesis. We show that progressive oxidation of low-density lipoprotein (LDL) gradually inhibits PAF receptor expression on the macrophage cell surface. We tested the effect of oxidized LDL (oxLDL) on PAF receptor expression in human monocytes that do not contain peroxisome-proliferator-activated receptor γ (PPARγ), a nuclear receptor activated by oxLDL. OxLDL decreased by 50% (P ⩽0.001) and by 29% (P⩽0.05) the binding of PAF and the expression of PAF receptor mRNA respectively. Next we demonstrated that progressive oxidation of LDLs significantly activated PPARα-dependent transcription in transfected mouse aortic endothelial cells. Finally we demonstrated, in mature macrophages, that fenofibrate (20µM), a specific PPARα agonist, but not the specific PPARγ agonist BRL49653 (20nM), significantly decreased both PAF binding and PAF receptor mRNA expression, by 65% and 40% (P⩽0.001) respectively. Additionally, another PPARα agonist, Wy14,643, decreased PAF receptor promoter activity by 70% (P⩽0.05) in transfected THP-1 cells, suggesting the involvement of the proximal promoter region (-980 to -500) containing a series of four nuclear factor (NF)-κB motifs. Thus PPARα might be involved in the down-regulation of PAF receptor gene expression by oxLDLs in human monocytes/macrophages. The oxidation of one or more lipid components of LDLs might result in the formation of natural activators of PPARα. It is hypothesized that such activators might modulate inflammation and apoptosis upon atherogenesis by decreasing the expression of PAF receptor.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,001 |
| 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 ».