Unbiased proteomic analysis detects painful systemic inflammatory profile in the serum of nerve-injured mice
Notice bibliographique
Résumé
ABSTRACT: Neuropathic pain is a complex, debilitating disease that results from injury to the somatosensory nervous system. The presence of systemic chronic inflammation has been observed in patients with chronic pain but whether it plays a causative role remains unclear. This study aims to determine the perturbation of systemic homeostasis by an injury to peripheral nerve and its involvement in neuropathic pain. We assessed the proteomic profile in the serum of mice at 1 day and 1 month after partial sciatic nerve injury (PSNL) or sham surgery. We also assessed mouse mechanical and cold sensitivity in naïve mice after receiving intravenous administration of serum from PSNL or sham mice. Mass spectrometry-based proteomic analysis revealed that PSNL resulted in a long-lasting alteration of serum proteome, where most of the differentially expressed proteins were in inflammation-related pathways, involving cytokines and chemokines, autoantibodies, and complement factors. Although transferring sham serum to naïve mice did not change their pain sensitivity, PSNL serum significantly lowered mechanical thresholds and induced cold hypersensitivity in naïve mice. With broad anti-inflammatory properties, bone marrow cell extracts not only partially restored serum proteomic homeostasis but also significantly ameliorated PSNL-induced mechanical allodynia, and serum from bone marrow cell extracts-treated PSNL mice no longer induced hypersensitivity in naïve mice. These findings clearly demonstrate that nerve injury has a long-lasting impact on systemic homeostasis, and nerve injury-associated systemic inflammation contributes to the development of neuropathic pain.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 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 ».