Integrated transcriptomic analysis of human induced pluripotent stem cell-derived osteogenic differentiation reveals a regulatory role of KLF16
Notice bibliographique
Résumé
Abstract Osteogenic differentiation is essential for bone development, metabolism, and repair; however, the underlying regulatory relationships among genes remain poorly understood. To elucidate the transcriptomic changes and identify novel regulatory genes involved in osteogenic differentiation, we differentiated mesenchymal stem cells (MSCs) derived from 20 human iPSC lines into preosteoblasts (preOBs) and osteoblasts (OBs). We then performed transcriptome profiling of MSCs, preOBs and OBs. The iPSC-derived MSCs and OBs showed similar transcriptome profiles to those of primary human MSCs and OBs, respectively. Differential gene expression analysis revealed global changes in the transcriptomes from MSCs to preOBs, and then to OBs, including the differential expression of 840 genes encoding transcription factors (TFs). TF regulatory network analysis uncovered a network comprising 451 TFs, organized into five interactive modules. Multiscale embedded gene co-expression network analysis (MEGENA) identified gene co-expression modules and key network regulators (KNRs). From these analyses, KLF16 emerged as an important TF in osteogenic differentiation. We demonstrate that overexpression of Klf16 in vitro inhibited osteogenic differentiation and mineralization, while Klf16+/- mice exhibited increased bone mineral density, trabecular number, and cortical bone area. Our study underscores the complexity of osteogenic differentiation and identifies novel regulatory genes such as KLF16, which plays an inhibitory role in osteogenic differentiation both in vitro and in vivo.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».