Targeting cell surface trafficking of pain-facilitating receptors to treat chronic pain conditions
Notice bibliographique
Résumé
INTRODUCTION: Chronic pain conditions are serious clinical concerns. Its genesis is closely associated with sensitization of nociceptive primary sensory neurons (nociceptors) and dorsal horn neurons by various pain mediators produced during inflammation and tissue injury. Growing evidence showed that increasing cell surface trafficking of pain-facilitating receptors is an important mechanism underlying the peripheral and central sensitization. AREAS COVERED: We summarized the progress of this area over the past decade by showing that inflammation, tissue damage or pain mediators facilitate cell surface trafficking of pain-facilitating receptors such as transient receptor potential vanilloid-1, transient receptor potential ankyrin-1, voltage-gated sodium channel 1.8, P2X3 and EP4 in primary sensory neurons, GluR1 and GluR2 of α-amino-3-hydroxy-5-methyl-4-isoxazolepropionic acid receptors, NR1 and NR2 of N-methyl-d-aspartate receptors and acid-sensing ion channels 1 in dorsal horn neurons and P2X4 in spinal microglia. The anti-allodynic effects of gabapentin was mediated by blocking surface trafficking of α2δ1 and α2δ2 subunits of voltage-gated calcium channels in primary sensory and dorsal horn neurons. EXPERT OPINION: Pain mediators stimulate forward surface trafficking of their own and/or other pain-facilitating receptors to amplify pain intensity and duration. Enhancing surface abundance of pain-facilitating receptors in nociceptors and dorsal horn neurons is an important mechanism underpinning chronic pain states. Targeting specific trafficking events of pain-facilitating receptors may open a novel therapeutic avenue to more efficiently treat chronic pain conditions.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».