A microfluidic platform enables comprehensive gene expression profiling of mouse retinal stem cells
Notice bibliographique
Résumé
Loss of photoreceptors due to retinal degeneration is a major cause of untreatable visual impairment and blindness. Cell replacement therapy, using retinal stem cell (RSC)-derived photoreceptors, holds promise for reconstituting damaged cell populations in the retina. One major obstacle preventing translation to the clinic is the lack of validated markers or strategies to prospectively identify these rare cells in the retina and subsequently enrich them. Here, we introduce a microfluidic platform that combines nickel micromagnets, herringbone structures, and a design enabling varying flow velocities among three compartments to facilitate a highly efficient enrichment of RSCs. In addition, we developed an affinity enrichment strategy based on cell-surface markers that was utilized to isolate RSCs from the adult ciliary epithelium. We showed that targeting a panel of three cell surface markers simultaneously facilitates the enrichment of RSCs to 1 : 3 relative to unsorted cells. Combining the microfluidic platform with single-cell whole-transcriptome profiling, we successfully identified four differentially expressed cell surface markers that can be targeted simultaneously to yield an unprecedented 1 : 2 enrichment of RSCs relative to unsorted cells. We also identified transcription factors (TFs) that play functional roles in maintenance, quiescence, and proliferation of RSCs. This level of analysis for the first time identified a spectrum of molecular and functional properties of RSCs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 source (Gemma direct ou Codex distillé), 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 ».