Direct Neuronal Reprogramming: Bridging the Gap Between Basic Science and Clinical Application
Notice bibliographique
Résumé
Direct neuronal reprogramming is an innovative new technology that involves the conversion of somatic cells to induced neurons (iNs) without passing through a pluripotent state. The capacity to make new neurons in the brain, which previously was not achievable, has created great excitement in the field as it has opened the door for the potential treatment of incurable neurodegenerative diseases and brain injuries such as stroke. These neurological disorders are associated with frank neuronal loss, and as new neurons are not made in most of the adult brain, treatment options are limited. Developmental biologists have paved the way for the field of direct neuronal reprogramming by identifying both intrinsic cues, primarily transcription factors (TFs) and miRNAs, and extrinsic cues, including growth factors and other signaling molecules, that induce neurogenesis and specify neuronal subtype identities in the embryonic brain. The striking observation that postmitotic, terminally differentiated somatic cells can be converted to iNs by mis-expression of TFs or miRNAs involved in neural lineage development, and/or by exposure to growth factors or small molecule cocktails that recapitulate the signaling environment of the developing brain, has opened the door to the rapid expansion of new neuronal reprogramming methodologies. Furthermore, the more recent applications of neuronal lineage conversion strategies that target resident glial cells in situ has expanded the clinical potential of direct neuronal reprogramming techniques. Herein, we present an overview of the history, accomplishments, and therapeutic potential of direct neuronal reprogramming as revealed over the last two decades.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 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 ».