The basis of liver regeneration: A systems biology approach
Notice bibliographique
Résumé
INTRODUCTION: Liver regeneration is a normal response to liver injury. The aim of this study was to determine the molecular basis of liver regeneration, through an integrative analysis of high-throughput gene expression datasets. METHODS: We identified and curated datasets pertaining to liver regeneration from the Gene Expression Omnibus, where regenerating liver tissue was compared to healthy liver samples. The key dysregulated genes and pathways were identified using Ingenuity Pathway Analysis software. There were three eligible datasets in total. RESULTS: In the early phase after hepatectomy, inflammatory pathways such as Nrf2 oxidative stress-mediated response and cytokine signaling were significantly upregulated. At peak regeneration, we discovered that cell cycle genes were predominantly expressed to promote cell proliferation. Using the Betweenness centrality algorithm, we discovered that Jun is the key central gene in liver regeneration. Calcineurin inhibitors may inhibit liver regeneration, based on predictive modeling. CONCLUSION: There is a paucity of human literature in defining the molecular mechanisms of liver regeneration along a time continuum. Nonetheless, using an integrative computational analysis approach to the available high-throughput data, we determine that the oxidative stress response and cytokine signaling are key early after hepatectomy, whereas cell cycle control is important at peak regeneration. The transcription factor Jun is central to liver regeneration and a potential therapeutic target. Future studies of regeneration in humans along a time continuum are needed to better define the underlying mechanisms, and ultimately enhance care of patients with acute and chronic liver failure while awaiting transplant.
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 | 0,000 | 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 ».