Central Delivery of Dicer-substrate siRNA: A Direct Application for Pain Research
Notice bibliographique
Résumé
RNA interference (RNAi) is gaining acceptance as a potential therapeutic strategy against peripheral disease, and several clinical trials are already underway with 21-mer small-interfering RNA (siRNA) as the active pharmaceutical agent. However, for central affliction like pain, such innovating therapies are limited but nevertheless crucial to improve pain research and management. We demonstrate here the proof-of-concept of the use of 27-mer Dicer-substrate siRNA (DsiRNA) for silencing targets related to CNS disorders such as pain states. Indeed, low dose DsiRNA (0.005 mg/kg) was highly efficient in reducing the expression of the neurotensin receptor-2 (NTS2, a G-protein-coupled receptor (GPCR) involved in ascending nociception) in rat spinal cord through intrathecal (IT) administration formulated with the cationic lipid i-Fect. Along with specific decrease in NTS2 mRNA and protein, our results show a significant alteration in the analgesic effect of a selective-NTS2 agonist, reaching 93% inhibition up to 3-4 days after administration of DsiRNA. In order to ensure that these findings were not biased by unsuspected off-target effects (OTEs), we also demonstrated that treatment with a second NTS2-specific DsiRNA also reversed NTS2-induced antinociception, and that NTS2-specific 27-mer duplexes did not alter signaling through NTS1, a closely related receptor. Altogether, DsiRNAi represents a potent tool for dissecting nociceptive pathways and could further lead to a new class of central active drugs.
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) | 0,001 | 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».