Epigallocatechin gallate (EGCG) modulates senescent endothelial cell-monocyte communication in age-related vascular inflammation
Notice bibliographique
Résumé
Aging significantly affects intercellular communication between vascular endothelial cells (ECs) and hematopoietic cells, leading to vascular inflammation and age-associated diseases. This study determined how senescent ECs communicate with monocytes, whether extracellular vesicles (EVs) released from senescent ECs affect monocyte functions, and investigated the potential for epigallocatechin-3-gallate (EGCG), a flavonoid in green tea, to reverse these effects. Human umbilical vein endothelial cells (HUVECs) were treated with Etoposide (10 µM, 24 h) to induce senescence, followed by EGCG (100 µM, 24 h) treatment to evaluate its potential as a senotherapeutic agent. The interaction between ECs and monocytes was analyzed using a co-culture system and direct treatment of monocytes with EC-derived EVs. EGCG reduced senescence-associated phenotypes in ECs, as evidenced by decreased senescence-associated (SA)-β-Gal activity and reversal of Etoposide-induced senescence markers. Monocytes co-cultured with EGCG-treated senescent ECs showed decreased pro-inflammatory responses compared to those co-cultured with untreated senescent ECs. Additionally, senescent ECs produced more EVs than non-senescent ECs. EVs from senescent ECs enhanced lipopolysaccharide (LPS)-induced pro-inflammatory activation of monocytes, whereas EVs from EGCG-treated senescent ECs mitigated this activation, maintaining monocyte activation at normal levels. Our findings reveal that EGCG confers anti-senescent effects via modulation of the senescent EC secretome (including EVs) with the capacity to modify monocyte activation. These findings suggest that EGCG could act as a senotherapeutic agent to reduce vascular inflammation related to aging.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».