Direct Neuronal Reprogramming for Disease Modeling Studies Using Patient-Derived Neurons: What Have We Learned?
Notice bibliographique
Résumé
Direct neuronal reprogramming, by which a neuron is formed via direct conversion from a somatic cell without going through a pluripotent intermediate stage, allows for the possibility of generating patient-derived neurons. A unique feature of these so-called induced neurons (iNs) is the potential to maintain aging and epigenetic signatures of the donor, which is critical given that many diseases of the CNS are age related. Here, we review the published literature on the work that has been undertaken using iNs to model human brain disorders. Furthermore, as disease-modeling studies using this direct neuronal reprogramming approach are becoming more widely adopted, it is important to assess the criteria that are used to characterize the iNs, especially in relation to the extent to which they are mature adult neurons. In particular: i) what constitutes an iN cell, ii) which stages of conversion offer the earliest/optimal time to assess features that are specific to neurons and/or a disorder and iii) whether generating subtype-specific iNs is critical to the disease-related features that iNs express. Finally, we discuss the range of potential biomedical applications that can be explored using patient-specific models of neurological disorders with iNs, and the challenges that will need to be overcome in order to realize these applications.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».