Single-nuclei RNA Profiling Reveals Disruption of Adipokine and Inflammatory Signaling in Adipose Tissue of Burn Patients
Notice bibliographique
Résumé
OBJECTIVE: We conducted a large-scale investigation of the systemic and adipose tissue-specific alterations in a clinical population of burn patients to identify factors that may influence hypermetabolism. BACKGROUND: Previous research has identified chronic disturbances in adipose tissue inflammation, lipolysis, and browning, which may drive the perpetuation of hypermetabolism following the severe adrenergic stress of a burn injury. Given that adipose tissue is thought to be a central node in the regulation of systemic metabolism, we believe that systematically delineating the pathologic role of adipose tissue postburn, will lead to the identification of novel interventions to mitigate morbidity and mortality from severe burns. METHODS: This was a single-institution cohort study, which obtained plasma and subcutaneous adipose tissue samples from severely burn adult patients over various time points during acute hospitalization. Whole-body clinical, metabolic, and inflammatory mediators were assessed in plasma, while genetic analyses through RT-qPCR and single-nuclei RNA sequencing were conducted in adipose tissue. RESULTS: Systemic inflammation and adrenergic stress increase IL-6 signaling, lipolysis, browning, and adipokine dysfunction in the adipose tissue of adult burn patients, which may further propagate the long-term hypermetabolic response. Moreover, using single-nuclei RNA sequencing, we provide the first comprehensive characterization of alterations in the adipose tissue microenvironment occurring at acute and chronic stages postburn. CONCLUSION: We provide novel insight toward the effect of burns on adipokine release, inflammatory signaling pathways, and adipose heterogeneity over the trajectory of acute and chronic stages.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».