An Open‐Source Tool for Investigation of Differential RNA Expression Between Spinal Cord Cells of Male and Female Mice
Notice bibliographique
Résumé
Chronic pain is a highly debilitating condition that differs by type, prevalence, and severity between men and women. To uncover the molecular underpinnings of these differences, it is critical to analyze the transcriptomes of spinal cord pain-processing networks for both sexes. Despite several recently published single-nucleus RNA-sequencing (snRNA-seq) studies on the function and composition of the mouse spinal cord, a gene expression analysis investigating the differences between males and females has yet to be performed. Here, we combined data from three different large-scale snRNA-seq studies, which used sex-identified adult mice. Using SeqSeek, we classified more than 37,000 unique viable cells within predicted cell types with the use of machine learning. We then utilized DESeq2 to identify significant differentially expressed genes (DEGs) between males and females in a variety of cell populations, including superficial dorsal horn (SDH) neurons. We found a large number of DEGs between males and females in all cells, in neurons, and in SDH neurons of the mouse spinal cord, with a greater level of differential expression in inhibitory SDH neurons compared to excitatory SDH neurons. The results of these analyses are available on an open-source web-app: https://justinbellavance.shinyapps.io/snRNA_Visualization/. Lastly, we used gene set enrichment analysis to identify sex-enriched pathways from our previously identified DEGs. Through this, we have identified specific genetic players within the rodent spinal cord that diverge between males and females, which may underlie reported sex differences in spinal nociceptive mechanisms and pain processing.
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 | 0,001 |
| 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 ».