Transcriptomics and metabolomics: Challenges of studying obesity in osteoarthritis
Notice bibliographique
Résumé
Objective: Obesity is a leading risk factor for both the incidence and progression of osteoarthritis (OA). Omic technologies, including transcriptomics and metabolomics are capable of identifying RNA and metabolite profiles in tissues and biofluids of OA patients. The objective of this review is to highlight studies using transcriptomics and metabolomics that contribute to our understanding of OA pathology in relation to obesity. Design: We conducted a targeted search of PUBMED for articles, and GEO for datasets, published up to February 13, 2024, screening for those using high-throughput transcriptomic and metabolomic techniques to study human or pre-clinical animal model tissues or biofluids related to obesity-associated OA. We describe relevant studies and discuss challenges studying obesity as a disease-related factor in OA. Results: Of the 107 publications identified by our search criteria, only 15 specifically used transcriptomics or metabolomics to study joint tissues or biofluids in obesity-related OA. Specific transcriptomic and metabolomic signatures associated with obesity-related OA have been defined in select local joint tissues, biofluids and other biological material. However, considerable challenges exist in understanding contributions of obesity-associated modifications of transcriptomes and metabolomes related to OA, including sociodemographic, anthropometric, dietary and molecular redundancy-related factors. Conclusions: A number of additional transcriptomic and metabolomic studies are needed to comprehensively understand how obesity affects OA incidence, progression and outcomes. Integration of transcriptome and metabolome signatures from multiple tissues and biofluids, using network-based approaches will likely help to better define putative therapeutic targets that could enable precision medicine approaches to obese OA patients.
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) | 0,001 | 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 ».