MétaCan
Menu
Retour à la cohorte
Enregistrement W4289932153 · doi:10.3389/fncel.2022.916696

The role of hypoxia-associated miRNAs in acquired sensorineural hearing loss

2022· review· en· W4289932153 sur OpenAlexaff
Sina Safabakhsh, Printha Wijesinghe, Morgan Nunez, Desmond A. Nunez

Notice bibliographique

RevueFrontiers in Cellular Neuroscience · 2022
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueCancer-related molecular mechanisms research
Établissements canadiensStornoway Diamond (Canada)Vancouver General HospitalUniversity of British Columbia
Organismes subventionnairesFondation Pour l'Audition
Mots-clésSensorineural hearing lossHearing lossHypoxia (environmental)MedicinemicroRNABioinformaticsOxidative stressAudiologyBiologyInternal medicineGeneticsGene

Résumé

récupéré en direct d'OpenAlex

Introduction: Sensorineural hearing loss (SNHL) is a prevalent sensory deficit presenting commonly as age-related hearing loss. Other forms of SNHL include noise-induced and sudden SNHL. Recent evidence has pointed to oxidative stress as a common pathogenic pathway in most subtypes of acquired SNHL. MicroRNAs (miRNAs) are small non-coding RNA sequences that suppress target mRNA expression and affect downstream processes. Many studies have shown that miRNAs are integral biomolecules in hypoxia-adaptive responses. They also promote apoptosis in response to oxidative stress resulting in SNHL. Our hypothesis is that miRNAs are involved in the pathophysiological responses to hypoxia and oxidative stress that result in SNHL. This study reviews the evidence for hypoxia-adaptive miRNAs (hypoxamiRs) in different types of acquired SNHL and focuses on miRNAs involved in hypoxia driven SNHL. Methods: Electronic bibliographic databases PubMed, Ovid MEDLINE, Ovid EMBASE, and Web of Science Core Collection were searched independently by two investigators for articles published in English from the inception of individual databases to the end of July 2020. The text word or medical subject heading searches of all fields, titles, abstracts, or subject headings depending on the database were undertaken with combinations of the words “microRNAs”, “hypoxia”, “hypoxamiRs”, “oxidative stress”, “ischemia” and “hearing loss”. The reference lists of studies meeting the inclusion criteria were searched to identify additional relevant studies. The inclusion criteria included relevant clinical studies with human subjects, animals, and in vitro experiments. The risk of bias was assessed using the Cochrane risk of bias assessment tool for human studies and the Systematic Review Center for Laboratory animal Experimentation (SYRCLE) a risk of bias assessment tool for animal model and in vitro studies. Results: A total of 15 primary articles were selected for full text screening after excluding duplicates, reviews, retracted articles, and articles not published in English. All nine articles meeting the study inclusion criteria were from animal or in vitro model studies and were assessed to be at low risk of bias. miRNAs miR-34a and miR-29b were reported to be involved in SNHL in inner ear cell models exposed to oxidative stress. Signaling pathways Sirtuin 1/peroxisome proliferator-activated receptor gamma coactivator-1-alpha (SIRT1/PGC-1α), SIRT1/p53, and SIRT1/hypoxia-inducible factor 1-alpha (HIF-1α) were identified as underlying pathways involved in acquired SNHL. Conclusion: There is evidence that miR-34a and -29b are involved in hypoxia-driven and other causes of oxidative stress-related acquired SNHL. Further studies are required to determine if these findings are clinically applicable.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,292
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in Cellular NeuroscienceMême sujetCancer-related molecular mechanisms researchTravaux en français237 207