Neural stem cell therapies for spinal cord injury repair: an update on recent preclinical and clinical advances
Notice bibliographique
Résumé
Traumatic spinal cord injury (SCI) is a leading cause of lifelong disabilities. Permanent sensory, motor and autonomic impairments after SCI are substantially attributed to degeneration of spinal cord neurons and axons, and disintegration of neural network. To date, minimal regenerative treatments are available for SCI with an unmet need for new therapies to reconstruct the damaged spinal cord neuron-glia network and restore connectivity with the supraspinal pathways. Multipotent neural precursor cells (NPCs) have a unique capacity to generate neurons, oligodendrocytes and astrocytes. Due to this capacity, NPCs have been an attractive cell source for cellular therapies for SCI. Transplantation of NPCs has been extensively tested in preclinical models of SCI in the past two decades. These studies have identified opportunities and challenges associated with NPC therapies. While NPCs have the potential to promote neuroregeneration through various mechanisms, their low long-term survival and integration within the host injured spinal cord limit the functional benefits of NPC-based therapies for SCI. To address this challenge, combinatorial strategies have been developed to optimize the outcomes of NPC therapies by enriching SCI microenvironment through biomaterials, genetic and pharmacological therapies. In this review, we will provide an in-depth discussion on recent advances in preclinical NPC-based therapies for SCI. We will discuss modes of actions and mechanism by which engrafted NPCs contribute to the repair process and functional recovery. We will also provide an update on current clinical trials and new technologies that have facilitated preparation of medical-grade human NPCs suitable for transplantation in clinical studies.
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) | 0,000 | 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 | 0,000 |
| 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 ».