Functional Genomics of Epilepsy and Associated Neurodevelopmental Disorders Using Simple Animal Models: From Genes, Molecules to Brain Networks
Notice bibliographique
Résumé
The genetic diagnosis of patients with seizure disorders has been improved significantly by the development of affordable next-generation sequencing technologies. Indeed, in the last twenty years, dozens of causative genes and thousands of associated variants have been described and for many patients, are now considered responsible for their disease. However, the functional consequences of these mutations are often not studied in vivo even though they are central to understand the pathogenic mechanisms and to identify new therapeutic avenues. One main road block to functionally characterizing pathogenic mutations is generating and characterizing in vivo mammalian models carrying clinically relevant variants in specific genes identified in patients. Although the emergence of new mutagenesis techniques facilitates the production of rodent mutants, the fact that early development occurs internally hampers the investigation of gene function during neurodevelopment. In this context, functional genomics studies using simple animal models such as flies or fish are advantageous since they open a dynamic window of investigation throughout embryonic development. In this review, we will summarize how the use of simple animal models can fill the gap between genetic diagnosis and functional and phenotypic correlates of gene function in vivo. In particular, we will discuss how these simple animals offer the possibility to study gene function at multiple scales, from molecular function (i.e. ion channel activity), to cellular network dynamic and brain activity. As a result, they represent models of choice to model aspects of the disease phenotype and unravel the pathogenic substratum 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.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».