General Approach to Identify, Assess, and Characterize Inhibitors of Lipid Peroxidation and Associated Cell Death
Notice bibliographique
Résumé
Lipid peroxidation (LPO) is associated with a variety of pathologies and drives a form of regulated necrosis called ferroptosis. There is much interest in small-molecule inhibitors of LPO as potential leads for therapeutic development for neurodegeneration, stroke, and acute organ failure, but this has been hampered by the lack of a universal high-throughput assay that can identify and assess candidates. Herein, we describe the development and validation of such an approach. Phosphatidylcholine liposomes loaded with ∼10% phospholipid hydroperoxide and STY-BODIPY, a fluorescent signal carrier that co-autoxidizes with polyunsaturated phospholipids, are shown to autoxidize at convenient and constant rates when subjected to an optimized Fe 2+ -based initiation cocktail. The use of this initiation system enables the identification of each of the various classes of LPO inhibitors which have been shown to rescue from cell death in ferroptosis: radical-trapping antioxidants (RTAs), peroxidase mimics, and iron chelators. Furthermore, a limited dose–response profile of inhibitors enables the resolution of RTA and non-RTA inhibitors─thereby providing not only relative efficacy but mechanistic information in the same microplate-based experiment. Despite this versatility, the approach can still be used to estimate rate constants for the reaction of RTAs with chain-propagating peroxyl radicals, as demonstrated for a representative panel of RTAs. To illustrate the utility of this assay, we carried out a preliminary investigation of the ‘off-target’ activity of several ferroptosis suppressors that have been proposed to act independently of inhibition of LPO, including lipoxygenase inhibitors, cannabinoids, and necrostatins, the archetype inhibitors of necroptosis.
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) | 0,000 | 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 ».