Knock-In Mouse Models to Investigate the Functions of Opioid Receptors in vivo
Notice bibliographique
Résumé
Due to their low expression levels, complex multi-pass transmembrane structure, and the current lack of highly specific antibodies, the assessment of endogenous G protein-coupled receptors (GPCRs) remains challenging. While most of the research regarding their functions was performed in heterologous systems overexpressing the receptor, recent advances in genetic engineering methods have allowed the generation of several unique mouse models. These animals proved to be useful to investigate numerous aspects underlying the physiological functions of GPCRs, including their endogenous expression, distribution, interactome, and trafficking processes. Given their significant pharmacological importance and central roles in the nervous system, opioid peptide receptors (OPr) are often referred to as prototypical receptors for the study of GPCR regulatory mechanisms. Although only a few GPCR knock-in mouse lines have thus far been generated, OPr are strikingly well represented with over 20 different knock-in models, more than half of which were developed within the last 5 years. In this review, we describe the arsenal of OPr (mu-, delta-, and kappa-opioid), as well as the opioid-related nociceptin/orphanin FQ (NOP) receptor knock-in mouse models that have been generated over the past years. We further highlight the invaluable contribution of such models to our understanding of the in vivo mechanisms underlying the regulation of OPr, which could be conceivably transposed to any other GPCR, as well as the limitations, future perspectives, and possibilities enabled by such tools.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».