RNA-based therapies in animal models of Leber congenital amaurosis causing blindness
Notice bibliographique
Résumé
Abstract Leber congenital amaurosis (LCA) is a severe, genetically heterogeneous recessive eye disease in which ~ 35% of gene mutations are in-frame nonsense mutations coding for loss-of-function premature termination codons (PTCs) in mRNA. Nonsense suppression therapy allows read-through of PTCs leading to production of full-length protein. A limitation of nonsense suppression is that nonsense-mediated decay (NMD) degrades PTC-containing RNA transcripts. The purpose of this study was to determine whether inhibition of NMD could improve nonsense suppression efficacy in vivo. Using a high-throughput approach in the recessive cep290 zebrafish model of LCA (cep290;Q1223X), we first tested the NMD inhibitor Amlexanox in combination with the nonsense suppression drug Ataluren. We observed reduced retinal cell death and improved visual function. With these positive data, we next investigated whether this strategy was also applicable across species in two mammalian models: Rd12 (rpe65;R44X) and Rd3 (rd3;R107X) mouse models of LCA. In the Rd12 model, cell death was reduced, RPE65 protein was produced, and in vivo visual function testing was improved. We establish for the first time that the mechanism of action of Amlexanox in Rd12 retina was through reduced UPF1 phosphorylation. In the Rd3 model, however, no beneficial effect was observed with Ataluren alone or in combination with Amlexanox. This variation in response establishes that some forms of nonsense mutation LCA can be targeted by RNA therapies, but that this needs to be verified for each genotype. The implementation of precision medicine by identifying better responders to specific drugs is essential for development of validated retinal therapies.
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 | 0,001 |
| 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 ».