Targeting neutrophil serine proteases in bronchiectasis
Notice bibliographique
Résumé
Persistent neutrophilic inflammation is a central feature in both the pathogenesis and progression of bronchiectasis. Neutrophils release neutrophil serine proteases (NSPs), such as neutrophil elastase (NE), cathepsin G and proteinase 3. When chronically high levels of free NSP activity exceed those of protective antiproteases, structural lung destruction, mucosal-related defects, further susceptibility to infection and worsening of clinical outcomes can occur. Despite the defined role of prolonged, high levels of NSPs in bronchiectasis, no drug that controls neutrophilic inflammation is licensed for the treatment of bronchiectasis. Previous methods of suppressing neutrophilic inflammation (such as direct inhibition of NE) have not been successful; however, an emerging therapy designed to address neutrophil-mediated pathology, inhibition of the cysteine protease cathepsin C (CatC, also known as dipeptidyl peptidase 1), is a promising approach to ameliorate neutrophilic inflammation, since this may reduce the activity of all NSPs implicated in bronchiectasis pathogenesis, and not just NE. Current data suggest that CatC inhibition may effectively restore the protease-antiprotease balance in bronchiectasis and improve disease outcomes as a result. Clinical trials for CatC inhibitors in bronchiectasis have reported positive phase III results. In this narrative review, we discuss the role of high NSP activity in bronchiectasis, and how this feature drives the associated morbidity and mortality seen in bronchiectasis. This review discusses therapeutic approaches aimed at treating neutrophilic inflammation in the bronchiectasis lung, summarising clinical trial outcomes and highlighting the need for more treatment strategies that effectively address chronic neutrophilic inflammation in bronchiectasis.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,004 |
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 ».