A Review on the Molecular Mechanisms of Action of Natural Products in Preventing Bone Diseases
Notice bibliographique
Résumé
The drugs used for treating bone diseases (BDs), at present, elicit hazardous side effects that include certain types of cancers and strokes, hence the ongoing quest for the discovery of alternatives with little or no side effects. Natural products (NPs), mainly of plant origin, have shown compelling promise in the treatments of BDs, with little or no side effects. However, the paucity in knowledge of the mechanisms behind their activities on bone remodeling has remained a hindrance to NPs’ adoption. This review discusses the pathological development of some BDs, the NP-targeted components, and the actions exerted on bone remodeling signaling pathways (e.g., Receptor Activator of Nuclear Factor κ B-ligand (RANKL)/monocyte/macrophage colony-stimulating factor (M-CSF)/osteoprotegerin (OPG), mitogen-activated protein kinase (MAPK)s/c-Jun N-terminal kinase (JNK)/nuclear factor kappa-light-chain-enhancer of activated B cells (NF-κB), Kelch-like ECH-associated protein 1 (Keap-1)/nuclear factor erythroid 2–related factor 2 (Nrf2)/Heme Oxygenase-1 (HO-1), Bone Morphogenetic Protein 2 (BMP2)-Wnt/β-catenin, PhosphatidylInositol 3-Kinase (PI3K)/protein kinase B (Akt)/Glycogen Synthase Kinase 3 Beta (GSK3β), and other signaling pathways). Although majority of the studies on the osteoprotective properties of NPs against BDs were conducted ex vivo and mostly on animals, the use of NPs for treating human BDs and the prospects for future development remain promising.
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 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».