Single nuclei profiling identifies cell specific markers of skeletal muscle aging, sarcopenia and senescence
Notice bibliographique
Résumé
Abstract Aging is accompanied by a loss of muscle mass and function, termed sarcopenia, which causes numerous morbidities and economic burdens in human populations. Mechanisms implicated in age-related sarcopenia include inflammation, muscle stem cell depletion, mitochondrial dysfunction and loss of motor neurons, but whether there are key drivers of sarcopenia is not yet known. To gain deeper insights into age-related sarcopenia, we performed transcriptome profiling on lower limb muscle biopsies from 72 young, old and sarcopenic subjects using bulk RNA-seq (N = 72) and single-nuclei RNA-seq (N = 17). This combined approach revealed novel changes in gene expression that occur with age and sarcopenia in multiple cell types comprising mature skeletal muscle. Notably, we found increased expression of the genes MYH8 and PDK4 , and decreased expression of the gene IGFN1 , in old muscle. We validated key genes in fixed human muscle tissue using digital spatial profiling. We also identified a small population of nuclei that express CDKN1A , present only in aged samples, consistent with p21-driven senescence in this subpopulation. Overall, our findings identify unique cellular subpopulations in aged and sarcopenic skeletal muscle, which will facilitate the development of new therapeutic strategies to combat age-related sarcopenia.
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 | 0,001 |
| 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 ».