A single cell spatial temporal atlas of skeletal muscle reveals cellular neighborhoods that orchestrate regeneration and become disrupted in aging
Notice bibliographique
Résumé
Abstract Our mobility requires muscle regeneration throughout life. Yet our knowledge of the interplay of cell types required to rebuild injured muscle is lacking, because most single cell assays require tissue dissociation. Here we use multiplexed spatial proteomics and neural network analyses to resolve a single cell spatiotemporal atlas of 34 cell types during muscle regeneration and aging. This atlas maps interactions of immune, fibrogenic, vascular, nerve, and myogenic cells at sites of injury in relation to tissue architecture and extracellular matrix. Spatial pseudotime mapping reveals sequential cellular neighborhoods that mediate repair and a nodal role for immune cells. We confirm this role by macrophage depletion, which triggers formation of aberrant neighborhoods that obstruct repair. In aging, immune dysregulation is chronic, cellular neighborhoods are disrupted, and an autoimmune response is evident at sites of denervation. Our findings highlight the spatial cellular ecosystem that orchestrates muscle regeneration, and is altered in aging. Highlights Single cell resolution spatial atlas resolves a cellular ecosystem of 34 cell types in multicellular neighborhoods that mediate efficient skeletal muscle repair Highly multiplexed spatial proteomics, neural network and machine learning uncovers temporal dynamics in the spatial crosstalk between immune, fibrogenic, vascular, nerve, and muscle stem cells and myofibers during regeneration Spatial pseudotime mapping reveals coherent formation of multicellular neighborhoods during efficacious repair and the nodal role of immune cells in coordinating muscle repair In aged muscle, cellular neighborhoods are disrupted by a chronically inflamed state and autoimmunity
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 | 0,000 |
| 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 | 0,001 |
| 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 ».