SKI-1/S1P Facilitates SARS-CoV-2 Spike Induced Cell-to-Cell Fusion via Activation of SREBP-2 and Metalloproteases, Whereas PCSK9 Enhances the Degradation of ACE2
Notice bibliographique
Résumé
Proprotein convertases activate various envelope glycoproteins and participate in cellular entry of many viruses. We recently showed that the convertase furin is critical for the infectivity of SARS-CoV-2, which requires cleavage of its spike protein (S) at two sites: S1/S2 and S2'. This study investigates the implication of the two cholesterol-regulating convertases SKI-1 and PCSK9 in SARS-CoV-2 entry. The assays used were cell-to-cell fusion in HeLa cells and pseudoparticle entry into Calu-3 cells. SKI-1 increased cell-to-cell fusion by enhancing the activation of SREBP-2, whereas PCSK9 reduced cell-to-cell fusion by promoting the cellular degradation of ACE2. SKI-1 activity led to enhanced S2' formation, which was attributed to increased metalloprotease activity as a response to enhanced cholesterol levels via activated SREBP-2. However, high metalloprotease activity resulted in the shedding of S2' into a new C-terminal fragment (S2″), leading to reduced cell-to-cell fusion. Indeed, S-mutants that increase S2″ formation abolished S2' and cell-to-cell fusion, as well as pseudoparticle entry, indicating that the formation of S2″ prevents SARS-CoV-2 cell-to-cell fusion and entry. We next demonstrated that PCSK9 enhanced the cellular degradation of ACE2, thereby reducing cell-to-cell fusion. However, different from the LDLR, a canonical target of PCSK9, the C-terminal CHRD domain of PCSK9 is dispensable for the PCSK9-induced degradation of ACE2. Molecular modeling suggested the binding of ACE2 to the Pro/Catalytic domains of mature PCSK9. Thus, both cholesterol-regulating convertases SKI-1 and PCSK9 can modulate SARS-CoV-2 entry via two independent mechanisms.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».