Neuron-specific RNA-sequencing reveals different responses in peripheral neurons after nerve injury
Notice bibliographique
Résumé
Peripheral neurons are heterogeneous and functionally diverse, but all share the capability to switch to a pro-regenerative state after nerve injury. Despite the assumption that the injury response is similar among neuronal subtypes, functional recovery may differ. Understanding the distinct intrinsic regenerative properties between neurons may help to improve the quality of regeneration, prioritizing the growth of axon subpopulations to their targets. Here, we present a comparative analysis of regeneration across four key peripheral neuron populations: motoneurons, proprioceptors, cutaneous mechanoreceptors, and nociceptors. Using Cre/Ai9 mice that allow fluorescent labeling of neuronal subtypes, we found that nociceptors showed the greater regeneration after a sciatic crush, followed by motoneurons, mechanoreceptors, and, finally, proprioceptors. By breeding these Cre mice with Ribotag mice, we isolated specific translatomes and defined the regenerative response of these neuronal subtypes after axotomy. Only 20% of the regulated genes were common, revealing a diverse response to injury among neurons, which was also supported by the differential influence of neurotrophins among neuron subtypes. Among differentially regulated genes, we proposed MED12 as a specific regulator of the regeneration of proprioceptors. Altogether, we demonstrate that the intrinsic regenerative capacity differs between peripheral neuron subtypes, opening the door to selectively modulate these responses.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».