Accelerating skin wound healing by M-CSF through generating SSEA-1 and -3 stem cells in the injured sites
Notice bibliographique
Résumé
Wound healing is a complicated process requiring the collaborative efforts of different cell lineages. Our recent studies have found that one subset of hematopoietic cells can be induced to dedifferentiate into multipotent stem cells by means of a proliferating fibroblast releasable factor, M-CSF. Understanding the importance of stem cells on skin wound healing, here we evaluate the biological significance of M-CSF on skin wound healing. In an in vivo mouse skin excisional wound model, we found that SSEA-positive stem cells were present in wounded but not normal skin. After isolating skin cells from either normal or wounded skin by collagenase digestion, and analyzing the SSEA-1 positive cells by flow cytometry, we found a significant increase in the number of SSEA-1 positive cells in wounded skin. Topical application of M-CSF in skin wounds accelerated healing remarkably, while application of M-CSF-neutralizing antibody slowed wound healing. Furthermore, injection of EGFP-labeled hematopoietic cell-derived stem cells generated from M-CSF treated splenocytes resulted in EGFP-labeled cells being enriched in the skin wound site and further differentiated into functional organ-specific cells. Together, these data demonstrated that M-CSF makes a significant contribution to the healing process by inducing hematopoietic cell dedifferentiation into stem cells.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 0,001 |
| 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 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 ».