Apabetalone Downregulates Fibrotic, Inflammatory and Calcific Processes in Renal Mesangial Cells and Patients with Renal Impairment
Notice bibliographique
Résumé
Epigenetic mechanisms are implicated in transcriptional programs driving chronic kidney disease (CKD). Apabetalone is an orally available inhibitor of bromodomain and extraterminal (BET) proteins, which are epigenetic readers that modulate gene expression. In the phase 3 BETonMACE trial, apabetalone reduced risk of major adverse cardiac events (MACE) by 50% in the CKD subpopulation, indicating favorable effects along the kidney–heart axis. Activation of human renal mesangial cells (HRMCs) to a contractile phenotype that overproduces extracellular matrix (ECM) and inflammatory cytokines, and promotes calcification, frequently accompanies CKD to drive pathology. Here, we show apabetalone downregulated HRMC activation with TGF-β1 stimulation by suppressing TGF-β1-induced α-smooth muscle actin (α-SMA) expression, α-SMA assembly into stress fibers, enhanced contraction, collagen overproduction, and expression of key drivers of fibrosis, inflammation, or calcification including thrombospondin, fibronectin, periostin, SPARC, interleukin 6, and alkaline phosphatase. Lipopolysaccharide-stimulated expression of inflammatory genes IL6, IL1B, and PTGS2 was also suppressed. Transcriptomics confirmed apabetalone affected gene sets of ECM remodeling and integrins. Clinical translation of in vitro results was indicated in CKD patients where a single dose of apabetalone reduced plasma levels of key pro-fibrotic and inflammatory markers, and indicated inhibition of TGF-β1 signaling. While plasma proteins cannot be traced to the kidney alone, anti-fibrotic and anti-inflammatory effects of apabetalone identified in this study are consistent with the observed decrease in cardiovascular risk in CKD patients.
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 | 0,001 | 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 ».