MétaCan
Menu
Retour à la cohorte
Enregistrement W4321452887 · doi:10.1016/j.xcrm.2023.100946

Functional contribution of mesencephalic locomotor region nuclei to locomotor recovery after spinal cord injury

2023· article· en· W4321452887 sur OpenAlexafffund
Marie Roussel, David Lafrance-Zoubga, Nicolas Josset, Maxime Lemieux, Frédéric Bretzner

Notice bibliographique

RevueCell Reports Medicine · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueSpinal Cord Injury Research
Établissements canadiensUniversité LavalCentre hospitalier de l'Université LavalCentre hospitalier universitaire de Québec
Organismes subventionnairesFonds de Recherche du Québec - SantéCanadian Institutes of Health ResearchWings for Life
Mots-clésGlutamatergicNeuroscienceSpinal cord injurySpinal cordHindlimbPedunculopontine nucleusMedicineBiologyAnatomyGlutamate receptorDeep brain stimulationPathologyParkinson's diseaseInternal medicine

Résumé

récupéré en direct d'OpenAlex

Spinal cord injury (SCI) results in a disruption of information between the brain and the spinal circuit. Electrical stimulation of the mesencephalic locomotor region (MLR) can promote locomotor recovery in acute and chronic SCI rodent models. Although clinical trials are currently under way, there is still debate about the organization of this supraspinal center and which anatomic correlate of the MLR should be targeted to promote recovery. Combining kinematics, electromyographic recordings, anatomic analysis, and mouse genetics, our study reveals that glutamatergic neurons of the cuneiform nucleus contribute to locomotor recovery by enhancing motor efficacy in hindlimb muscles, and by increasing locomotor rhythm and speed on a treadmill, over ground, and during swimming in chronic SCI mice. In contrast, glutamatergic neurons of the pedunculopontine nucleus slow down locomotion. Therefore, our study identifies the cuneiform nucleus and its glutamatergic neurons as a therapeutical target to improve locomotor recovery in patients living with SCI.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,532
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,044
Tête enseignante GPT0,354
Écart entre enseignants0,310 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations23
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCell Reports MedicineMême sujetSpinal Cord Injury ResearchTravaux en français237 207