Pancreatic β-cell senescence in diabetes: mechanisms, markers and therapies
Notice bibliographique
Résumé
Cellular senescence is a response to a wide variety of stressors, including DNA damage, oncogene activation and physiologic aging, and pathologically accelerated senescence contributes to human disease, including diabetes mellitus. Indeed, recent work in this field has demonstrated a role for pancreatic β-cell senescence in the pathogenesis of Type 1 Diabetes, Type 2 Diabetes and monogenic diabetes. Small molecule or genetic targeting of senescent β-cells has shown promise as a novel therapeutic approach for preventing and treating diabetes. Despite these advances, major questions remain around the molecular mechanisms driving senescence in the β-cell, identification of molecular markers that distinguish senescent from non-senescent β-cell subpopulations, and translation of proof-of-concept therapies into novel treatments for diabetes in humans. Here, we summarize the current state of the field of β-cell senescence, highlighting insights from mouse models as well as studies on human islets and β-cells. We identify markers that have been used to detect β-cell senescence to unify future research efforts in this field. We discuss emerging concepts of the natural history of senescence in β-cells, heterogeneity of senescent β-cells subpopulations, role of sex differences in senescent responses, and the consequences of senescence on integrated islet function and microenvironment. As a young and developing field, there remain many open research questions which need to be addressed to move senescence-targeted approaches towards clinical investigation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».