MicroRNA-based therapeutics for inflammatory disorders of the microbiota-gut-brain axis
Notice bibliographique
Résumé
An emerging but less explored shared pathophysiology across microbiota-gut-brain axis disorders is aberrant miRNA expression, which may represent novel therapeutic targets. miRNAs are small, endogenous non-coding RNAs that are important transcriptional repressors of gene expression. Most importantly, they regulate the integrity of the intestinal epithelial and blood-brain barriers and serve as an important communication channel between the gut microbiome and the host. A well-defined understanding of the mode of action, therapeutic strategies and delivery mechanisms of miRNAs is pivotal in translating the clinical applications of miRNA-based therapeutics. Accumulating evidence links disorders of the microbiota-gut-brain axis with a compromised gut-blood-brain-barrier, causing gut contents such as immune cells and microbiota to enter the bloodstream leading to low-grade systemic inflammation. This has the potential to affect all organs, including the brain, causing central inflammation and the development of neurodegenerative and neuropsychiatric diseases. In this review, we have examined in detail miRNA biogenesis, strategies for therapeutic application, delivery mechanisms, as well as their pathophysiology and clinical applications in inflammatory gut-brain disorders. The research data in this review was drawn from the following databases: PubMed, Google Scholar, and Clinicaltrials.gov. With increasing evidence of the pathophysiological importance for miRNAs in microbiota-gut-brain axis disorders, therapeutic targeting of cross-regulated miRNAs in these disorders displays potentially transformative and translational potential. Further preclinical research and human clinical trials are required to further advance this area of research.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».