Lipid nanoparticle-mediated silencing of osteogenic suppressor GNAS leads to osteogenic differentiation of mesenchymal stem cells in vivo
Notice bibliographique
Résumé
Approved drugs for the treatment of osteoporosis can prevent further bone loss but do not stimulate bone formation. Approaches that improve bone density in metabolic diseases are needed. Therapies that take advantage of the ability of mesenchymal stem cells (MSCs) to differentiate into various osteogenic lineages to treat bone disorders are of particular interest. Here we examine the ability of small interfering RNA (siRNA) to enhance osteoblast differentiation and bone formation by silencing the negative suppressor gene GNAS in bone MSCs. Using clinically validated lipid nanoparticle (LNP) siRNA delivery systems, we show that silencing the suppressor gene GNAS in vitro in MSCs leads to molecular and phenotypic changes similar to those seen in osteoblasts. Further, we demonstrate that these LNP-siRNAs can transfect a large proportion of mice MSCs in the compact bone following intravenous injection. Transfection of MSCs in various animal models led to silencing of GNAS and enhanced differentiation of MSCs into osteoblasts. These data demonstrate the potential for LNP delivery of siRNA to enhance the differentiation of MSCs into osteoblasts, and suggests that they are a promising approach for the treatment of osteoporosis and other bone diseases.
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) | 0,000 | 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».