Brain microbiota disruption within inflammatory demyelinating lesions in multiple sclerosis
Notice bibliographique
Résumé
Abstract Microbial communities reside in healthy tissues but are often disrupted during disease. Bacterial genomes and proteins are detected in brains from humans, nonhuman primates, rodents and other species in the absence of neurological disease. We investigated the composition and abundance of microbiota in frozen and fixed autopsied brain samples from patients with multiple sclerosis (MS) and age- and sex-matched nonMS patients as controls, using neuropathological, molecular and bioinformatics tools. 16s rRNA sequencing revealed Proteobacteria to be the dominant phylum with restricted diversity in cerebral white matter (WM) from MS compared to nonMS patients. Both clinical groups displayed 1,200–1,400 bacterial genomes/cm 3 and low bacterial rRNA:rDNA ratios in WM. RNAseq analyses showed a predominance of Proteobacteria in progressive MS patients’ WM, associated with increased inflammatory gene expression, relative to a broader range of bacterial phyla in relapsing-remitting MS patients’ WM. Although bacterial peptidoglycan (PGN) and RNA polymerase beta subunit immunoreactivities were observed in all patients, PGN immunodetection was correlated with demyelination and neuroinflammation in MS brains. Principal component analysis revealed that demyelination, PGN and inflammatory gene expression accounted for 86% of the observed variance. Thus, inflammatory demyelination is linked to an organ-specific dysbiosis in MS that could contribute to underlying disease mechanisms.
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 | 0,001 | 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 | 0,000 |
| 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 ».