Notice bibliographique
Résumé
PURPOSE OF REVIEW: Ageing of the kidney is a problem of clinical and basic interest. The problem of renal dysfunction and end-stage renal disease is a major burden on the health system, and old donor age is a major limitation on the use of donor organs and on survival of transplanted kidneys. Moreover, stresses linked to nephropathies, postoperative stress, inflammation and allograft rejection can lead to premature senescence of renal cells thus accelerating organ atrophy. Age-related and disease or stress-related nephron loss could reflect both the limited ability of epithelial cells to repair and replicate in the face of environmental stresses, and limitations on the number of cell replications caused by telomere shortening. Therefore, elucidating cellular senescence mechanisms is relevant to kidney diseases and kidney transplantation. RECENT FINDINGS: Recent findings suggest additive effects of replicative and environmental stress-induced senescence in cellular and organ ageing. In particular, ATM/p53/p21 and Ras/p38/p16 pathways have been shown to co-contribute to the overall cellular senescence, which is caused by extrinsic and intrinsic stimuli. Moreover, the role of epigenetic factors, including protein acylation/deacetylation, chromatin remodeling or caloric restriction, is the focus of recent studies on ageing and senescence. SUMMARY: Despite significant progress, cellular senescence is still better understood in vitro than in vivo. So far, p16 remains the best marker of chronological age in the kidney, and can be considered as an indicator of premature senescence caused by stresses or disease. The beneficial effects of caloric restriction on organ ageing and the role of histone acetylation in pathologic states in rodents are of considerable interest, and deserve future studies.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».