MétaCan
Menu
Retour à la cohorte
Enregistrement W4408995533 · doi:10.3390/cells14070505

Preclinical Models for Studying Fuchs Endothelial Corneal Dystrophy

2025· review· en· W4408995533 sur OpenAlexafffund
Lexie W. Q. Xi, Wesley Luu, Myagmartsend Enkhbat, Dawn Neo, Jodhbir S. Mehta, Gary S. L. Peh, Evelyn K. F. Yim

Notice bibliographique

RevueCells · 2025
Typereview
Langueen
DomaineMedicine
ThématiqueCorneal surgery and disorders
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNational Medical Research CouncilNatural Sciences and Engineering Research Council of Canada
Mots-clésRegenerative medicineExtracellular matrixBiologyDiseaseTransplantationIn vivoEndothelial stem cellMedicineBioinformaticsPathologyNeuroscienceStem cellCell biologyGeneticsIn vitroSurgery

Résumé

récupéré en direct d'OpenAlex

Fuchs Endothelial Corneal Dystrophy (FECD) is a corneal endothelial disease that causes microenvironment alterations and endothelial cell loss, which leads to vision impairment. It has a high global prevalence, especially in elderly populations. FECD is also one of the leading indications of corneal transplantation globally. Currently, there is no clearly defined canonical pathway for this disease, and it has been proposed that the combinatorial effects of genetic mutations and exogenous factors cause FECD. Clinical studies and observations have provided valuable knowledge and understanding of FECD, while preclinical studies are essential for gaining insights into disease progression and mechanisms for the development and testing of regenerative medicine therapies. In this review, we first introduce the proposed genetic and molecular pathologies of FECD. Notably, we discuss the impact of abnormal extracellular matrix deposition (guttata), endothelial-to-mesenchymal transition, cell senescence, and oxidative stress on the pathology and etiology of FECD. We review and summarize the in vitro cell models, ex vivo tissues, and in vivo animal models used to study FECD. The benefits and challenges of each model are also discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,979
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,143
Tête enseignante GPT0,389
Écart entre enseignants0,246 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCellsMême sujetCorneal surgery and disordersTravaux en français237 207