sPLA2-IIA modifies progranulin deficiency phenotypes in mouse models
Notice bibliographique
Résumé
BACKGROUND: Haploinsufficiency of the progranulin (PGRN) protein is a leading cause of frontotemporal lobar degeneration (FTLD). Mouse models have been developed to study PGRN functions. However, PGRN deficiency in the commonly used C57BL/6 mouse strain background leads to very mild phenotypes, and pathways regulating PGRN deficiency phenotypes remain to be elucidated. METHODS: We generated PGRN-deficient mice in the FVB/N background and compared PGRN deficiency phenotypes between C57BL/6 and FVB/N backgrounds via immunostaining, western blot, RNA-seq, and proteomics approaches. We demonstrated a novel pathway in modifying PGRN deficiency phenotypes using inhibitor treatment and AAV-mediated overexpression in mouse models. RESULTS: We report that PGRN loss in the FVB/N mouse strain results in earlier onset and stronger FTLD-related and lysosome-related phenotypes. We found that PGRN interacts with sPLA2-IIA, a member of the secreted phospholipase A2 (sPLA2) family member and a key regulator of inflammation, that is expressed in FVB/N but not C57BL/6 background. sPLA2-IIA inhibition rescues PGRN deficiency phenotypes, while sPLA2-IIA overexpression drives enhanced gliosis and lipofuscin accumulation in PGRN-deficient mice. Additionally, RNA-seq and proteomics analysis revealed that mitochondrial pathways are upregulated in the PGRN-deficient C57BL/6 mice but not in the FVB/N mice. CONCLUSIONS: Our studies establish a better mouse model for FTLD-GRN and uncover novel pathways modifying PGRN deficiency phenotypes.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».