Computational modeling-directed combination treatment with etanercept and mifepristone mitigates neuroinflammation in a mouse model of Gulf War Illness
Notice bibliographique
Résumé
Abstract Gulf War Illness is a chronic multi-symptom disorder experienced by over 30% of veterans from the 1990-1991 Gulf War and is increasingly recognized to be driven by underlying persistent neuroinflammation resulting from chemical and physiological exposures experienced during deployment. Despite significant advances in identifying Gulf War-relevant exposures and underlying pathobiology, effective treatment strategies for Gulf War Illness are still largely lacking. Many studies that have evaluated potential therapies for Gulf War Illness have primarily focused on a single treatment. However, through a mechanistically informed computational evaluation of blood biomarkers and gene expression in veterans with Gulf War Illness, we identified that a combination of anti-inflammatory and anti-glucocorticoid treatment may prove effective in treating Gulf War Illness. Here, we have evaluated combined treatment with the anti-TNFα drug, etanercept, and anti-glucocorticoid, mifepristone, in an established long-term mouse model of Gulf War Illness of combined physiological stress and nerve agent exposure. Supporting results from the computational modeling of this treatment, we found that this drug combination significantly alleviates the underlying neuroinflammation associated with Gulf War Illness. The fusion of computational and in vivo preclinical treatment evaluation may provide a highly useful and translationally relevant means by which to identify successful treatment paradigms for Gulf War Illness.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».