Mitochondria under the spotlight: On the implications of mitochondrial dysfunction and its connectivity to neuropsychiatric disorders
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Neuropsychiatric disorders (NPDs) such as bipolar disorder (BD), schizophrenia (SZ) and mood disorder (MD) are hard to manage due to overlapping symptoms and lack of biomarkers. Risk alleles of BD/SZ/MD are emerging, with evidence suggesting mitochondrial (mt) dysfunction as a critical factor for disease onset and progression. Mood stabilizing treatments for these disorders are scarce, revealing the need for biomarker discovery and artificial intelligence approaches to design synthetically accessible novel therapeutics. Here, we show mt involvement in NPDs by associating 245 mt proteins to BD/SZ/MD, with 7 common players in these disease categories. Analysis of over 650 publications suggests that 245 NPD-linked mt proteins are associated with 800 other mt proteins, with mt impairment likely to rewire these interactions. High dosage of mood stabilizers is known to alleviate manic episodes, but which compounds target mt pathways is another gap in the field that we address through mood stabilizer-gene interaction analysis of 37 prescriptions and over-the-counter psychotropic treatments, which we have refined to 15 mood-stabilizing agents. We show 26 of the 245 NPD-linked mt proteins are uniquely or commonly targeted by one or more of these mood stabilizers. Further, induced pluripotent stem cell-derived patient neurons and three-dimensional human brain organoids as reliable BD/SZ/MD models are outlined, along with multiomics methods and machine learning-based decision making tools for biomarker discovery, which remains a bottleneck for precision psychiatry medicine.
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.
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 | 0,001 |
| 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 découle