Revealing Shared Proteins and Pathways in Cardiovascular and Cognitive Diseases Using Protein Interaction Network Analysis
Notice bibliographique
Résumé
Abstract One of the primary goals of systems medicine is detecting putative proteins and pathways involved in disease progression and pathological phenotypes. Vascular Cognitive Impairment (VCI) is a heterogeneous condition manifesting as cognitive impairment resulting from vascular factors. The precise mechanisms underlying this relationship remain unclear, which poses challenges for experimental research. Here, we applied computational approaches like systems biology to unveil and select relevant proteins and pathways related to VCI by studying the crosstalk between cardiovascular and cognitive diseases. In addition, we specifically included signals related to oxidative stress, a common etiologic factor tightly linked to aging, a major determinant of VCI. Our results show that pathways associated with oxidative stress are quite relevant, as most of the prioritized vascular-cognitive genes/proteins were enriched in these pathways. Our analysis provided a short list of proteins that could be contributing to VCI: DOLK, TSC1, ATP1A1, MAPK14, YWHAZ, CREB3, HSPB1, PRDX6, and LMNA. Moreover, our experimental results suggest a high implication of glycative stress, generating oxidative processes and post-translational protein modifications through advanced glycation end-products (AGEs). We propose that these products interact with their specific receptors (RAGE) and Notch signaling to contribute to the etiology of VCI.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».