Are Interactions between Epicardial Adipose Tissue, Cardiac Fibroblasts and Cardiac Myocytes Instrumental in Atrial Fibrosis and Atrial Fibrillation?
Notice bibliographique
Résumé
Atrial fibrillation is very common among the elderly and/or obese. While myocardial fibrosis is associated with atrial fibrillation, the exact mechanisms within atrial myocytes and surrounding non-myocytes are not fully understood. This review considers the potential roles of myocardial fibroblasts and myofibroblasts in fibrosis and modulating myocyte electrophysiology through electrotonic interactions. Coupling with (myo)fibroblasts in vitro and in silico prolonged myocyte action potential duration and caused resting depolarization; an optogenetic study has verified in vivo that fibroblasts depolarized when coupled myocytes produced action potentials. This review also introduces another non-myocyte which may modulate both myocardial (myo)fibroblasts and myocytes: epicardial adipose tissue. Epicardial adipocytes are in intimate contact with myocytes and (myo)fibroblasts and may infiltrate the myocardium. Adipocytes secrete numerous adipokines which modulate (myo)fibroblast and myocyte physiology. These adipokines are protective in healthy hearts, preventing inflammation and fibrosis. However, adipokines secreted from adipocytes may switch to pro-inflammatory and pro-fibrotic, associated with reactive oxygen species generation. Pro-fibrotic adipokines stimulate myofibroblast differentiation, causing pronounced fibrosis in the epicardial adipose tissue and the myocardium. Adipose tissue also influences myocyte electrophysiology, via the adipokines and/or through electrotonic interactions. Deeper understanding of the interactions between myocytes and non-myocytes is important to understand and manage atrial fibrillation.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| 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 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 ».