MicroRNA Expression Profiling of Bone Marrow–Derived Proangiogenic Cells (PACs) in a Mouse Model of Hindlimb Ischemia: Modulation by Classical Cardiovascular Risk Factors
Notice bibliographique
Résumé
Background. Classical cardiovascular risk factors (CRF) are associated with impaired angiogenic activities of bone marrow-derived proangiogenic cells (PACs) related to peripheral artery diseases (PAD) and ischemia-induced neovascularization. microRNAs (miRs) are key regulators of gene expression, and they are involved in the modulation of PAC function and PAC paracrine activity. However, the effects of CRF on the modulation of miR expression in PACs are unknown. Aims and Methods. We used a model of hindlimb ischemia and next generation sequencing (NGS) to perform a complete profiling of miRs in PACs isolated from the bone marrow of mice subjected to three models of CRF: aging, smoking (SMK) and hypercholesterolemia (HC). Results. Around 570 miRs were detected in PACs in the different CRF models. When excluding miRs with a very low expression level (˂ 100 RPM), 40-61 miRs were found to be significantly modulated by aging, SMK or HC. In each CRF condition, we identified downregulated pro-angiogenic miRs and upregulated anti-angiogenic miRs that could contribute to explain PAC dysfunction. Interestingly, several miRs were similarly downregulated (e.g. miR-542-3p, miR-29) or upregulated (e.g. miR-501, miR-92a) in all CRF conditions. In silico approaches including KEGG and cluster dendogram analyses identified predictive effects of these miRs on pathways having key roles in the modulation of angiogenesis and PAC function, including VEGF signaling, extracellular matrix (ECM) remodeling, PI3K/AKT/MAPK signaling, TGFb pathway, p53 and cell cycle progression. Conclusion. This study describes for the first time the effects of CRF on the modulation of miR profile in PACs related to PAD and ischemia-induced neovascularization. We found that several angiogenesis-modulating miRs (angiomiRs) are similarly altered in different CRF conditions. Our findings constitute a solid framework for the identification of miRs that could be targeted in PACs in order to improve their angiogenic function, and for the future development of novel therapies to improve neovascularization and reduce tissue damage in patients with severe PAD.
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) | 0,000 | 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 ».