Multi-modal Proteomic Characterization of Lysosomal Function and Proteostasis in Progranulin-Deficient Neurons
Notice bibliographique
Résumé
Abstract Progranulin (PGRN) is a lysosomal protein implicated in various neurodegenerative diseases. Over 70 mutations discovered in the GRN gene all result in reduced expression of PGRN protein. However, the detailed molecular function of PGRN within lysosomes and the impact of PGRN deficiency on lysosomal biology remain unclear. Here we leveraged multifaceted proteomic techniques to comprehensively characterize how PGRN deficiency changes the molecular and functional landscape of neuronal lysosomes. Using lysosome proximity labeling and immuno-purification of intact lysosomes, we characterized lysosome compositions and interactomes in both human induced pluripotent stem cell (iPSC)-derived glutamatergic neurons (i 3 Neurons) and mouse brains. Using dynamic stable isotope labeling by amino acids in cell culture (dSILAC) proteomics, we measured global protein half-lives in i 3 Neurons for the first time and characterized the impact of progranulin deficiency on neuronal proteostasis. Together, this study indicated that PGRN loss impairs the lysosome’s degradative capacity with increased levels of v-ATPase subunits on the lysosome membrane, increased catabolic enzymes within the lysosome, elevated lysosomal pH, and pronounced alterations in neuron protein turnover. Collectively, these results suggested PGRN as a critical regulator of lysosomal pH and degradative capacity, which in turn influences global proteostasis in neurons. The multi-modal techniques developed here also provided useful data resources and tools to study the highly dynamic lysosome biology in neurons.
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 | 0,000 |
| 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 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 ».