Modulation of type 1 cannabinoid receptor activity by cannabinoid by-products from Cannabis sativa and non-cannabis phytomolecules
Notice bibliographique
Résumé
Cannabis sativa contains more than 120 cannabinoids and 400 terpene compounds (i.e., phytomolecules) present in varying amounts. Cannabis is increasingly available for legal medicinal and non-medicinal use globally, and with increased access comes the need for a more comprehensive understanding of the pharmacology of phytomolecules. The main transducer of the intoxicating effects of Cannabis is the type 1 cannabinoid receptor (CB1R). ∆9-tetrahydrocannabinolic acid (∆9-THCa) is often the most abundant cannabinoid present in many cultivars of Cannabis. Decarboxylation converts ∆9-THCa to ∆9-THC, which is a CB1R partial agonist. Understanding the complex interplay of phytomolecules—often referred to as “the entourage effect”—has become a recent and major line of inquiry in cannabinoid research. Additionally, this interest is extending to other non-Cannabis phytomolecules, as the diversity of available Cannabis products grows. Here, we chose to focus on whether 10 phytomolecules (∆8-THC, ∆6a,10a-THC, 11-OH-∆9-THC, cannabinol, curcumin, epigallocatechin gallate, olivetol, palmitoylethanolamide, piperine, and quercetin) alter CB1R-dependent signaling with or without a co-treatment of ∆9-THC. Phytomolecules were screened for their binding to CB1R, inhibition of forskolin-stimulated cAMP accumulation, and βarrestin2 recruitment in Chinese hamster ovary cells stably expressing human CB1R. Select compounds were assessed further for cataleptic, hypothermic, and anti-nociceptive effects on male mice. Our data revealed partial agonist activity for the cannabinoids tested, as well as modulation of ∆9-THC-dependent binding and signaling properties of phytomolecules in vitro and in vivo. These data represent a first step in understanding the complex pharmacology of Cannabis- and non-Cannabis-derived phytomolecules at CB1R and determining whether these interactions may affect the physiological outcomes, adverse effects, and abuse liabilities associated with the use of these compounds.
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 | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».