Potentiation of morphine antinociception and inhibition of diabetic neuropathic pain by the multi-chemokine receptor antagonist peptide RAP-103
Notice bibliographique
Résumé
AIMS: We determined the ability of the multi-chemokine receptor (CCR2/CCR5/CCR8) antagonist RAP-103 to modulate pain behaviors in an acute model of surgical pain, with and without an added opioid (morphine), and by itself in a chronic model of Streptozotocin (STZ)-induced diabetic peripheral neuropathy (DPN). MATERIALS AND METHODS: Pain behaviors were assessed by mechanical and thermal tests in rats. Cytokine and chemokine biomarkers in sciatic nerve and spinal cord were assessed by in situ qPCR. KEY FINDINGS: of morphine from 3.19 mg/kg to 1.42 mg/kg. In a DPN model, rats exhibited persistent mechanical and cold allodynia. Oral administration of RAP-103 (0.5-0.02 mg/kg/day) resulted in a complete reversal of established hypersensitivity in DPN rats (P < .001), which gradually returned to pain hypersensitivity after the cessation of the treatment. The mRNA expression of cytokines, IL-1β, TNFα; chemokines CCL2, CCL3; and chemokine receptors CCR2 and CCR5 in DPN rat sciatic nerve, but not spinal cord, were significantly increased. RAP-103 resulted in significant reductions in sciatic nerve expression of IL-1β, TNFα and CCL3 in STZ-induced diabetic rats with trends toward lower levels for CCL2 and CCR5, while CCR2 was unchanged. SIGNIFICANCE: In acute pain, co-administration of RAP-103 with morphine provided the same antinociceptive effect with a reduced dose of morphine, reducing opioid side-effects and risks. RAP-103 by itself is an effective non-opioid antinociceptive treatment for diabetic neuropathic pain.
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 | 0,002 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».