Retinal Proteome Profiling of Inherited Retinal Degeneration Across Three Different Mouse Models Suggests Common Drug Targets in Retinitis Pigmentosa
Notice bibliographique
Résumé
Inherited retinal degenerations (IRDs) are a leading cause of blindness among the population of young people in the developed world. Approximately half of IRDs initially manifest as gradual loss of night vision and visual fields, characteristic of retinitis pigmentosa (RP). Due to challenges in genetic testing, and the large heterogeneity of mutations underlying RP, targeted gene therapies are an impractical largescale solution in the foreseeable future. For this reason, identifying key pathophysiological pathways in IRDs that could be targets for mutation-agnostic and disease-modifying therapies (DMTs) is warranted. In this study, we investigated the retinal proteome of three distinct IRD mouse models, in comparison to sex- and age-matched wild-type mice. Specifically, we used the Pde6β Rd10 (rd10) and Rho P23H/WT (P23H) mouse models of autosomal recessive and autosomal dominant RP, respectively, as well as the Rpe65 −/− mouse model of Leber's congenital amaurosis type 2 (LCA2). The mice were housed at two distinct institutions and analyzed using LC-MS in three separate facilities/instruments following data-dependent and data-independent acquisition modes. This cross-institutional and multi-methodological approach signifies the reliability and reproducibility of the results. The large-scale profiling of the retinal proteome, coupled with in vivo electroretinography recordings, provided us with a reliable basis for comparing the disease phenotypes and severity. Despite evident inflammation, cellular stress, and downscaled phototransduction observed consistently across all three models, the underlying pathologies of RP and LCA2 displayed many differences, sharing only four general KEGG pathways. The opposite is true for the two RP models in which we identify remarkable convergence in proteomic phenotype even though the mechanism of primary rod death in rd10 and P23H mice is different. Our data highlights the cAMP and cGMP second-messenger signaling pathways as potential targets for therapeutic intervention. The proteomic data is curated and made publicly available, facilitating the discovery of universal therapeutic targets for RP.
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 | 0,001 | 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 ».