Proteome Profiling of Brain Vessels in a Mouse Model of Cerebrovascular Pathology
Notice bibliographique
Résumé
Cerebrovascular pathology that involves altered protein levels (or signaling) of the transforming growth factor beta (TGFβ) family has been associated with various forms of age-related dementias, including Alzheimer disease (AD) and vascular cognitive impairment and dementia (VCID). Transgenic mice overexpressing TGFβ1 in the brain (TGF mice) recapitulate VCID-associated cerebrovascular pathology and develop cognitive deficits in old age or when submitted to comorbid cardiovascular risk factors for dementia. We characterized the cerebrovascular proteome of TGF mice using mass spectrometry (MS)-based quantitative proteomics. Cerebral arteries were surgically removed from 6-month-old-TGF and wild-type mice, and proteins were extracted and analyzed by gel-free nanoLC-MS/MS. We identified 3602 proteins in brain vessels, with 20 demonstrating significantly altered levels in TGF mice. For total and/or differentially expressed proteins (p ≤ 0.01, ≥ 2-fold change), using multiple databases, we (a) performed protein characterization, (b) demonstrated the presence of their RNA transcripts in both mouse and human cerebrovascular cells, and (c) demonstrated that several of these proteins were present in human extracellular vesicles (EVs) circulating in blood. Finally, using human plasma, we demonstrated the presence of several of these proteins in plasma and plasma EVs. Dysregulated proteins point to perturbed brain vessel vasomotricity, remodeling, and inflammation. Given that blood-isolated EVs are novel, attractive, and a minimally invasive biomarker discovery platform for age-related dementias, several proteins identified in this study can potentially serve as VCID markers in humans.
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) | 0,000 | 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 ».