MétaCan
Menu
Retour à la cohorte
Enregistrement W4390403330 · doi:10.26685/urncst.530

Investigating SHP and PCSK9 Interactions in Cholesterol-Mediated Cardiovascular Diseases: A Research Protocol

2023· article· en· W4390403330 sur OpenAlexaff
Moon Young Bae, Rachel Kim, Luyu Wang

Notice bibliographique

RevueUndergraduate Research in Natural and Clinical Science and Technology (URNCST) Journal · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueComputational Drug Discovery Methods
Établissements canadiensUniversity of TorontoQueen's UniversityUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésPCSK9Transcription factorProprotein convertaseDownregulation and upregulationSmall heterodimer partnerKexinBiologySmall interfering RNACell biologyLiver X receptorKnockout mouseFarnesoid X receptorGene silencingElectrophoretic mobility shift assayNuclear receptorLDL receptorCholesterolReceptorLipoproteinEndocrinologyBiochemistryGeneTransfection

Résumé

récupéré en direct d'OpenAlex

Introduction: Improper cholesterol metabolism results in accumulation of low-density lipoproteins (LDL). High levels of LDL cholesterol deposits in blood vessels, forming plaques and contributing to various cardiovascular diseases (CVD). The nuclear farnesoid X receptor (FXR) regulates the transcription of genes involved in cholesterol metabolism and is a therapeutic target for cholesterol dysregulation. Studies conducted on immortalized human hepatocytes demonstrate FXR signaling-induced downregulation of proprotein convertase subtilisin/kexin type 9 (PCSK9) expression. PCSK9 is an LDL receptor-degrading enzyme whose upregulation is implicated in cholesterol-mediated diseases. Specifically, the FXR target gene SHP (small heterodimer partner) is a transcriptional regulator that has been implicated in an inverse relationship with PCSK9 expression. The biomolecular mechanism mediating this relationship has not been explored, meriting investigation into a potential novel axis of cholesterol metabolism. We hypothesize that SHP is a direct repressor of PCSK9 transcription. Methods: To investigate, we will knock out SHP expression in the liver hepatocyte cell line AML12 using small interfering RNAs (siRNAs). To confirm SHP knockout on transcriptomic and proteomic levels, reverse transcription quantitative PCR (RT-qPCR) and Western blotting will be performed. To assess SHP binding to the promoter region of PCSK9, an electrophoretic mobility supershift (EMSA) assay will be performed on unstimulated or chenodeoxycolic acid (CDCA)-stimulated AML12 cells that have undergone SHP or control knockouts. Western blotting will quantitate PCSK9 protein expression following SHP knockout in CDCA-stimulated and unstimulated conditions. Results: Results from EMSA are expected to demonstrate SHP binding to the promoter region of PCSK9 in a transcription factor complex to repress transcription. SHP knockout models are expected to show upregulated PCSK9 expression at transcriptomic and proteomic levels. Discussion: If successful, our study presents a novel perspective on cholesterol metabolism by characterizing the inhibitory effect of SHP on PCSK9 expression. This underlines the critical role of FXR signaling in PCSK9 regulation, and knockout models and assay techniques provide valuable evidence of this regulatory role. Conclusion: This study will establish an enhanced understanding of the SHP/PCSK9 pathway within broader pathways of cholesterol metabolism. Further research may explore therapies targeting the SHP/PCSK9 pathway to manage CVD downstream of cholesterol dysregulation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Protocole · Signal consensuel: aucune
Score de désaccord entre enseignants0,050
Score d'incertitude au seuil0,167

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0500,016

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.

Tête enseignante Opus0,156
Tête enseignante GPT0,506
Écart entre enseignants0,350 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreProtocole

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUndergraduate Research in Natural and Clinical Science and Technology (URNCST) JournalMême sujetComputational Drug Discovery MethodsTravaux en français237 207