Characterization of the Molecular Mechanisms Underlying the Chronic Phase of Stroke in a Cynomolgus Monkey Model of Induced Cerebral Ischemia
Notice bibliographique
Résumé
Stroke is one of the main causes of mortality and long-term disability worldwide. The pathophysiological mechanisms underlying this disease are not well understood, particularly in the chronic phase after the initial ischemic episode. In this study, a Macaca fascicularis stroke model consisting of two sample groups, as determined by MRI-quantified infarct volumes as a measure of the stroke severity 28 days after the ischemic episode, was evaluated using qualitative and quantitative proteomics analyses. By using multiple online multidimensional liquid chromatography platforms, 8790 nonredundant proteins were identified that condensed to 5223 protein groups at 1% global false discovery rate (FDR). After the application of a conservative criterion (5% local FDR), 4906 protein groups were identified from the analysis of cerebral cortex. Of the 2068 quantified proteins, differential proteomic analyses revealed that 31 and 23 were dysregulated in the elevated- and low-infarct-volume groups, respectively. Neurogenesis, synaptogenesis, and inflammation featured prominently as the cellular processes associated with these dysregulated proteins. Protein interaction network analysis revealed that the dysregulated proteins for inflammation and neurogenesis were highly connected, suggesting potential cross-talk between these processes in modulating the cytoskeletal structure and dynamics in the chronic phase poststroke. Elucidating the long-term consequences of brain tissue injuries from a cellular prospective, as well as the molecular mechanisms that are involved, would provide a basis for the development of new potentially neurorestorative therapies.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».