Delineating mouse β-cell identity during lifetime and in diabetes with a single cell atlas
Notice bibliographique
Résumé
Abstract Multiple pancreatic islet single-cell RNA sequencing (scRNA-seq) datasets have been generated to study development, homeostasis, and diabetes. However, there is no consensus on cell states and pathways across conditions as well as the value of preclinical mouse models. Since these challenges can only be resolved by jointly analyzing multiple datasets, we present a scRNA-seq cross-condition mouse islet atlas (MIA). We integrated over 300,000 cells from nine datasets with 56 samples, varying in age, sex, and diabetes models, including an autoimmune type 1 diabetes (T1D) model (NOD), a gluco-/lipotoxicity T2D model (db/db), and a chemical streptozotocin (STZ) β-cell ablation model. MIA is a curated resource for interactive exploration and computational querying, providing new insights inaccessible from individual datasets. The β-cell landscape of MIA revealed new disease progression cell states and cross-publication differences between previously suggested marker genes. We show that in the STZ model β-cells transcriptionally correlate to human T2D and mouse db/db, but are less similar to human T1D and mouse NOD. We observe different pathways shared between immature, aged, and diabetes model β-cells. In conclusion, our work presents the first comprehensive analysis of β-cell responses to different stressors, providing a roadmap for the understanding of β-cell plasticity, compensation, and demise.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».