Translational profiling of dorsal root ganglia and spinal cord in a mouse model of neuropathic pain
Notice bibliographique
Résumé
Acute pain serves as a protective mechanism, guiding the organism away from actual or potential tissue injury. In contrast, chronic pain is a debilitating condition without any obvious physiological function. The transition to, and the maintenance of chronic pain require new gene expression to support biochemical and structural changes within the pain pathway. The regulation of gene expression at the level of mRNA translation has emerged as an important step in the control of protein expression in the cell. Recent studies show that signaling pathways upstream of mRNA translation, such as mTORC1 and ERK, are upregulated in chronic pain conditions, and their inhibition effectively alleviates pain in several animal models. Despite this progress, mRNAs whose translation is altered in chronic pain conditions remain largely unknown. Here, we performed genome-wide translational profiling of dorsal root ganglion (DRG) and spinal cord dorsal horn tissues in a mouse model of neuropathic pain, spared nerve injury (SNI), using the ribosome profiling technique. We identified distinct subsets of mRNAs that are differentially translated in response to nerve injury in both tissues. We discovered key converging upstream regulators and pathways linked to mRNA translational control and neuropathic pain. Our data are crucial for the understanding of mechanisms by which mRNA translation promotes persistent hypersensitivity after nerve injury.
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 | 0,000 |
| 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 ».