AB040. Single-cell transcriptomics identifies cell-specific signatures of pathological angiogenesis
Notice bibliographique
Résumé
Background: To treat vascular proliferative diseases, anti-VEGF therapies have shown systemic adverse effects attributable to the lack of selectivity between pathological and physiological angiogenesis. Thus, identifying the molecular mechanisms that are only specific to pathological cell types is crucial to develop better precision medicine. Methods: Here, we used different cell type enrichment approaches combined with single-cell RNA sequencing to define the transcriptomic changes within each retinal cell types in a mouse model of ischemic retinopathy. This retinal model develops pathological neovascularization (NV) in response to local hypoxia following oxygen-induced vessel obliteration (P7 to P12). The NV phenotype is characterized by the progressive appearance of vascular tufts resulting from misguided, abnormal proliferation of endothelial cells that we monitored at 3 consecutive time points—P12, P14 and P17 (peak of NV). Results: By following the dynamic response to hypoxia, our experimental design reveals how pathological angiogenesis is specifically associated with significant metabolic adaptations in different subtypes of endothelial cells (i.e., Tips vs Stalk cells). We also identify a pathological subtype of glial cells over-expressing VEGFA and pro-inflammatory IL-1 receptor subunits. This subtype of activated glial cells was targeted using selective IL1R antagonist treatment which reduced glial activation, inflammation, NV and promotes physiological angiogenesis, therefore improving tissue regeneration. Conclusions: Our results illustrate how analyzing cell type heterogeneity in tissues developing pathological angiogenesis allows establishing better targeting therapies to restore vascular integrity.
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 | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».