Sialyl Lewis<sup>x</sup> Glycomimetics as E- and P-Selectin Antagonists Targeting Hyperinflammation
Notice bibliographique
Résumé
Inflammatory disorders, such as sepsis, pancreatitis, and severe COVID-19, often cause immune dysfunction and high mortality. These conditions trigger excessive immune cell influx, leading to cytokine storms, organ damage, and compensatory immune suppression that results in immunoparalysis, organ dysfunction, and reinfection. Controlled and reversible immunosuppression limiting immune cell recruitment to inflammation sites could reduce hyperinflammation and prevent immune exhaustion. PSGL-1 on leukocytes binds to vascular P- and E-selectins via its sialyl Lewis x pharmacophore, triggering key features of systemic inflammatory response syndrome and sepsis. We report the discovery of two immunomodulators, sialyl Lewis x glycomimetics ( 12 and 13 ), with a tetrazole carboxyl bioisostere of 3a, which binds P- and E-selectin and blocks their interaction with PSGL-1. In an in vivo hyperinflammation model, they reduced immune cell recruitment, evidenced by decreased neutrophils, CD11b+, monocytes/macrophages, and PSGL-1-positive cells at various time points. These glycomimetics may be promising leads for managing the systemic inflammatory response syndrome.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».