<i>C9orf72</i> dipeptides activate the NLRP3 inflammasome
Notice bibliographique
Résumé
Abstract Frontotemporal dementia and amyotrophic lateral sclerosis are neurodegenerative diseases with considerable clinical, genetic and pathological overlap. The most common cause of both diseases is a hexanucleotide repeat expansion in C9orf72. The expansion is translated to produce five toxic dipeptides, which aggregate in patient brain. Neuroinflammation is a feature of frontotemporal dementia and amyotrophic lateral sclerosis; however, its causes are unknown. The nod-like receptor family, pyrin domain-containing 3 inflammasome is implicated in several other neurodegenerative diseases as a driver of damaging inflammation. The inflammasome is a multi-protein complex which forms in immune cells in response to tissue damage, pathogens or aggregating proteins. Inflammasome activation is observed in models of other neurodegenerative diseases such as Alzheimer’s disease, and inflammasome inhibition rescues cognitive decline in rodent models of Alzheimer’s disease. Here, we show that a dipeptide arising from the C9orf72 expansion, poly-glycine–arginine, activated the inflammasome in microglia and macrophages, leading to secretion of the pro-inflammatory cytokine, interleukin-1β. Poly-glycine–arginine also activated the inflammasome in organotypic hippocampal slice cultures, and immunofluorescence imaging demonstrated formation of inflammasome specks in response to poly-glycine–arginine. Several clinically available anti-inflammatory drugs rescued poly-glycine–arginine-induced inflammasome activation. These data suggest that C9orf72 dipeptides contribute to the neuroinflammation observed in patients, and highlight the inflammasome as a potential therapeutic target for frontotemporal dementia and amyotrophic lateral sclerosis.
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 | 0,001 | 0,001 |
| 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 ».