Potential therapeutic targets for lung repair during human<i>ex vivo</i>lung perfusion
Notice bibliographique
Résumé
INTRODUCTION: lung perfusion (EVLP) technique has been developed to assess the function of marginal donor lungs and has significantly increased donor lung utilisation. EVLP has also been explored as a platform for donor lung repair through injury-specific treatments such as antibiotics or fibrinolytics. We hypothesised that actively expressed pathways shared between transplantation and EVLP may reveal common mechanisms of injury and potential therapeutic targets for lung repair prior to transplantation. MATERIALS AND METHODS: Retrospective transcriptomics analyses were performed with peripheral tissue biopsies from "donation after brain death" lungs, with 46 pre-/post-transplant pairs and 49 pre-/post-EVLP pairs. Pathway analysis was used to identify and compare the responses of donor lungs to transplantation and to EVLP. RESULTS: 22 pathways were enriched predominantly in transplantation, including upregulation of lymphocyte activation and cell death and downregulation of metabolism. Eight pathways were enriched predominantly in EVLP, including downregulation of leukocyte functions and upregulation of vascular processes. 27 pathways were commonly enriched, including activation of innate inflammation, cell death, heat stress and downregulation of metabolism and protein synthesis. Of the inflammatory clusters, Toll-like receptor/innate immune signal transduction adaptor signalling had the greatest number of nodes and was central to inflammation. These mechanisms have been previously speculated as major mechanisms of acute lung injury in animal models. CONCLUSION: EVLP and transplantation share common molecular features of injury including innate inflammation and cell death. Blocking these pathways during EVLP may allow for lung repair prior to transplantation.
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 | 0,000 |
| 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 | 0,001 | 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 ».