Suppression of fibrin(ogen)-driven pathologies in disease models through controlled knockdown by lipid nanoparticle delivery of siRNA
Notice bibliographique
Résumé
Fibrinogen plays a pathologic role in multiple diseases. It contributes to thrombosis and modifies inflammatory and immune responses, supported by studies in mice expressing fibrinogen variants with altered function or with a germline fibrinogen deficiency. However, therapeutic strategies to safely and effectively tailor plasma fibrinogen concentration are lacking. Here, we developed a strategy to tune fibrinogen expression by administering lipid nanoparticle (LNP)-encapsulated small interfering RNA (siRNA) targeting the fibrinogen α chain (siFga). Three distinct LNP-siFga reagents reduced both hepatic Fga messenger RNA and fibrinogen levels in platelets and plasma, with plasma levels decreased to 42%, 16%, and 4% of normal within 1 week of administration. Using the most potent siFga, circulating fibrinogen was controllably decreased to 32%, 14%, and 5% of baseline with 0.5, 1.0, and 2.0 mg/kg doses, respectively. Whole blood from mice treated with siFga formed clots with significantly decreased clot strength ex vivo, but siFga treatment did not compromise hemostasis following saphenous vein puncture or tail transection. In an endotoxemia model, siFga suppressed the acute phase response and decreased plasma fibrinogen, D-dimer, and proinflammatory cytokine levels. In a sterile peritonitis model, siFga restored normal macrophage migration in plasminogen-deficient mice. Finally, treatment of mice with siFga decreased the metastatic potential of tumor cells in a manner comparable to that observed in fibrinogen-deficient mice. The results indicate that siFga causes robust and controllable depletion of fibrinogen and provides the proof-of-concept that this strategy can modulate the pleiotropic effects of fibrinogen in relevant disease models.
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) | 0,001 | 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) | 0,001 | 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 ».