Development of a Zebrafish Sepsis Model for High-Throughput Drug Discovery
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Sepsis is a leading cause of death worldwide. Current treatment modalities remain largely supportive. Intervention strategies focused on inhibiting specific mediators of the inflammatory host response have been largely unsuccessful, a consequence of an inadequate understanding of the complexity and heterogeneity of the innate immune response. Moreover, the conventional drug-development pipeline is time-consuming and expensive, and the low success rates associated with cell-based screens underline the need for whole-organism screening strategies, especially for complex pathological processes. Here, we established a lipopolysaccharide (LPS)-induced zebrafish endotoxemia model, which exhibits the major hallmarks of human sepsis, including edema and tissue/organ damage, increased vascular permeability and vascular leakage accompanied by altered expression of cellular junction proteins, increased cytokine expression, immune cell activation and reactive oxygen species (ROS) production, reduced circulation and increased platelet aggregation. We tested the suitability of the model for phenotype-based drug screening using three primary readouts: mortality, vascular leakage and ROS production. Preliminary screening identified fasudil, a drug known to protect against vascular leakage in murine models, as a lead hit, thereby validating the utility of our model for sepsis drug screens. This zebrafish sepsis model has the potential to rapidly analyze sepsis-associated pathologies and cellular processes in the whole organism, as well as to screen and validate many compounds that can modify sepsis pathology in vivo.
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.
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 | 0,001 |
| 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 | 0,000 |
| 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 découle