Targeting MicroRNA Function in Respiratory Diseases: Mini-Review
Notice bibliographique
Résumé
MicroRNAs (miRNAs) are small non-coding RNA molecules that modulate expression of the majority of genes by inhibiting protein translation. Growing literature has identified functional roles for miRNAs across a broad range of biological processes. As such, miRNAs are recognized as potential disease biomarkers and novel targets for therapies. While several miRNA-targeted therapies are currently in clinical trials (e.g., for the treatment of hepatitis C virus infection and cancer), no therapies have targeted miRNAs in respiratory diseases in the clinic. In this mini-review, we review the current knowledge on miRNA expression and function in respiratory diseases, intervention strategies to target miRNA function, and considerations specific to respiratory diseases. Altered miRNA expression profiles have been reported in a number of respiratory diseases, including asthma, chronic obstructive pulmonary disease, cystic fibrosis, and idiopathic pulmonary fibrosis. These include alterations in isolated lung tissue, as well as sputum, bronchoalveolar lavage fluids and peripheral blood or serum. The observed alterations in easily accessible body fluids (e.g., serum) have been proposed as new biomarkers that may inform disease diagnosis and patient management. In a subset of studies, miRNA-targeted interventions also improved disease outcomes, indicating functional roles for altered miRNA expression in disease pathogenesis. In fact, direct administration of miRNA-targeting molecules to the lung has yielded promising results in a number of animal models. The ability to directly administer compounds to the lung holds considerable promise and may limit potential off-target effects and side effects caused by the systemic administration required to treat other diseases.
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) | 0,000 | 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 | 0,000 |
| 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 ».