Caractérisation de l’activité Nur77 et de ses complexes en essais BRET par complémentation
Bibliographic record
Abstract
Dans le système nerveux central, la dopamine joue un rôle crucial dans de nombreuses fonctions physiologiques telles que : l’apprentissage, le mouvement volontaire, la motivation, la cognition et la production hormonale. Il a été aussi démontré que le système de signalisation dopaminergique est altéré dans plusieurs maladies neurologiques et psychiatriques comme la maladie de Parkinson et la schizophrénie. Des études, effectuées dans le laboratoire du Dr.Daniel Lévesque (laboratoire d’accueil), ont montré que les récepteurs nucléaires Nur77 (NR4A1, NGFI-B) et RXRγ (retinoid X receptors γ) sont impliqués dans la régulation des effets de la dopamine dans le système nerveux central. De plus, ces données suggèrent que le complexe Nur77 et RXR joueraient un rôle crucial dans l’effet des médicaments antipsychotiques et antiparkinsoniens. Toutefois, très peu de médicaments ciblant Nur77 ont été identifiés à ce jour et les médicaments agissant sur RXRγ restent mal caractérisés. En outre, les analyses actuellement disponibles ne peuvent pas résumer la complexité des activités des NRs et génèrent des mesures indirectes des activités des drogues. Afin de mieux comprendre comment est régulée l’interaction Nur77/RXRγ dans ces processus, mon projet a été de mettre au point un essai BRET (Bioluminescence Resonance Energy Transfer) et PCA-BRET (Protein Complementation Assay-BRET) basé sur le recrutement d'un motif mimant un co-activateur fusionné avec la YFP. Nos différents essais ont été validés par courbes dose-réponse en utilisant différents composés RXR . Les EC50 (concentration efficace médiane, qui permet de mesurer l'efficacité d'un composé) obtenues étaient très semblables aux valeurs précédemment rapportées dans la littérature. Nous avons aussi pu identifier un composé le SR11237 (BMS649) qui semble posséder une sélectivité pour le complexe Nur77/RXRγ par rapport aux complexes Nurr1/RXRγ et RXRγ /RXRγ. Nos résultats indiquent que ces essais de BRET peuvent être utilisés pour évaluer la sélectivité de nouveaux composés pour les complexes Nur77/RXRγ, Nurr1/RXRγ et RXRγ /RXRγ. Un autre aspect de mon projet de doctorat a été de mettre en évidence par BRET l’importance de la SUMOylation dans la régulation de l'activité de Nur77 dans sa forme monomèrique, homodimèrique et hétérodimèrique. Nous avons ainsi identifié que Nur77 recrute principalement SUMO2 sur sa lysine 577. Il est intéressant de noté que le recrutement de la SUMO2 à Nur77 est potentialisé en présence de la SUMO E3 Ligase PIASγ. Aussi, la perte de la SUMOylation sur la lysine 577 entraîne l'incapacité de Nur77 de recruter divers motifs de co-activation mais pas pour ses formes homo- et hétérodimèrique. Cependant, la présence de PIASγ ne potentialise pas le recrutement du co-activateur, suggérant que cette SUMO E3 Ligase est seulement impliqué dans le processus de recrutement de la SUMO mais pas dans celui du co-activateur. Nous avons ainsi déterminé une nouvelle modification post-traductionnelle sur Nur77 régulant spécifiquement son activité monomérique Ces projets pourraient donc apporter de nouvelles données cruciales pour l’amélioration du traitement de la maladie de Parkinson ou de la schizophrénie, ainsi que d'obtenir une meilleure compréhension sur les mécanismes permettant la régulation de la fonction de Nur77
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".