Single-cell multi-region dissection of brain vasculature in Alzheimer’s Disease
Notice bibliographique
Résumé
Abstract Cerebrovascular breakdown occurs early in Alzheimer’s Disease (AD), but its cell-type-specific molecular basis remains uncharacterized. Here, we characterize single-cell transcriptomic differences in human cerebrovasculature across 220 AD and 208 control individuals and across 6 brain regions. We annotate 22,514 cerebrovascular cells in 11 subtypes of endothelial, pericyte, smooth muscle, perivascular fibroblast, and ependymal cells, and how they differ in abundance and gene expression between brain regions. We identify 2,676 AD-differential genes, including lower expression of PDGFRB in pericytes, and ABCB1 and ATP10A in endothelial cells. These AD-differential genes reveal common upstream regulators, including MECOM, EP300, and KLF4, whose targeting may help restore vasculature function. We find coordinated vasculature-glial-neuronal co-expressed gene modules supported by ligand-receptor pairs, involved in axon growth/degeneration and neurogenesis, suggesting mechanistic mediators of neurovascular unit dysregulation in AD. Integration with AD genetics reveals 125 AD-differential genes directly linked to AD-associated genetic variants (through vasculature-specific eQTLs, Hi-C, and correlation-based evidence), 559 targeted by AD-associated regulators, and 661 targeted by AD-associated ligand-receptor signaling. Lastly, we show that APOE4-genotype associated differences are significantly enriched among AD-associated genes in capillary and venule endothelial cells, and subsets of pericytes and fibroblasts, which underlie the vascular dysregulation in APOE4-associated cognitive decline. Overall, our multi-region molecular atlas of differential human cerebrovasculature genes and pathways in AD can help guide early-stage AD therapeutics.
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) | 0,000 | 0,001 |
| 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 | 0,001 | 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 ».