Cisplatin Toxicity Is Mediated by Direct Binding to Toll-Like Receptor 4 through a Mechanism That Is Distinct from Metal Allergens
Notice bibliographique
Résumé
Cisplatin is an effective chemotherapeutic agent, yet its use is limited by several adverse drug reactions, known as cisplatin-induced toxicities (CITs). We recently demonstrated that cisplatin could elicit proinflammatory responses associated with CITs through Toll-like receptor 4 (TLR4). TLR4 is best recognized for binding bacterial lipopolysaccharide (LPS) via its coreceptor, MD-2. TLR4 is also proposed to directly bind transition metals, such as nickel. Little is known about the nature of the cisplatin-TLR4 interaction. Here, we show that soluble TLR4 was capable of blocking cisplatin-induced, but not LPS-induced, TLR4 activation. Cisplatin and nickel, but not LPS, were able to directly bind soluble TLR4 in a microscale thermophoresis binding assay. Interestingly, TLR4 histidine variants that abolish nickel binding reduced, but did not eliminate, cisplatin-induced TLR4 activation. This was corroborated by binding data that showed cisplatin, but not nickel, could directly bind mouse TLR4 that lacks these histidine residues. Altogether, our findings suggest that TLR4 can directly bind cisplatin in a manner that is enhanced by, but not dependent on, histidine residues that facilitate binding to transition metals. SIGNIFICANCE STATEMENT: This work describes how the xenobiotic cisplatin interacts with Toll-like receptor 4 (TLR4) to initiate proinflammatory signaling that underlies cisplatin toxicities, which are severe adverse outcomes in cisplatin treatment. Here, this study provides a mechanistic bridge between cisplatin extracellular interactions with TLR4 and previous observations that genetic and chemical inhibition of TLR4 mitigates cisplatin-induced toxicity.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 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 ».