MétaCan
Menu
Retour à la cohorte
Enregistrement W2905443246 · doi:10.1002/jcb.28227

The effects of microRNAs in activating neovascularization pathways in diabetic retinopathy

2018· review· en· W2905443246 sur OpenAlexaff
Mahbobeh Satari, Esmat Aghadavod, Naghmeh Mirhosseini, Zatollah Asemi

Notice bibliographique

RevueJournal of Cellular Biochemistry · 2018
Typereview
Langueen
DomaineMedicine
ThématiqueRetinal Diseases and Treatments
Établissements canadiensUniversity of SaskatchewanSaskatchewan Health Authority
Organismes subventionnairesnon disponible
Mots-clésDiabetic retinopathyNeovascularizationPathogenesisMedicinemicroRNAChoroidal neovascularizationDiabetes mellitusSignal transductionBlood–retinal barrierRetinopathyPathologicalPathophysiologyAngiogenesisRetinalImmunologyBioinformaticsPathologyCancer researchBiologyOphthalmologyCell biologyEndocrinologyGene

Résumé

récupéré en direct d'OpenAlex

Diabetic retinopathy (DR) is one of the major complications of diabetes mellitus that causes diabetic macular edema and visual loss. DR is categorized, based on the presence of vascular lesions and neovascularization, into non-proliferative and proliferative DR. Vascular changes in DR correlate with the cellular damage and pathological changes in the capillaries of blood-retinal barrier. Several cytokines have been involved in inducing neovascularization. These cytokines activate different signaling pathways which are mainly responsible for the complications of DR. Recently; microRNAs (miRNAs) have been introduced as the key factors in the regulation of the cytokine expression which plays a critical role in neovascularization of retinal cells. Some studies have demonstrated that changing levels of miRNAs have essential role in the pathophysiology of vascular changes in patients with DR. The aim of this study is to identify the effects of miRNAs in the pathogenesis of DR via activating neovascularization pathways.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,011
Tête enseignante GPT0,269
Écart entre enseignants0,258 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Cellular BiochemistryMême sujetRetinal Diseases and TreatmentsTravaux en français237 207