Contribution of <i>α</i>‐synuclein cytopathologies to distinct seeding of misfolded <i>α</i>‐synuclein
Notice bibliographique
Résumé
Synucleinopathies are a group of neurodegenerative diseases characterized by the deposition of misfolded α-synuclein (αSyn), predominantly in oligodendrocytes in multiple system atrophy (MSA) and in neurons in Lewy body diseases (LBD). The contribution of αSyn cytopathologies to the pathogenesis of these diseases is underappreciated. Seed amplification assays of MSA and LBD brains have revealed striking differences in αSyn seeding between regions and cases. Therefore, our aim was to evaluate whether different brain regions containing distinct αSyn cytopathologies contribute to different seeding characteristics. We collected 2-mm micro-punches of regions in MSA (n = 10) and LBD (n = 15) cases from formalin-fixed paraffin-embedded tissues. We performed double immuno-labeling for disease-associated αSyn and cellular markers on tissue microarrays, evaluated co-deposition of other neurodegenerative disease-related proteins and, from the same micro-punched samples, we analyzed αSyn seeding. Based on these variables, machine learning algorithms were used to reduce dimensionality of the dataset and cluster the regions in MSA and LBD cases, revealing that different compositions of αSyn cytopathologies influence αSyn seeding patterns. Our results support the notion of different cellular processing of αSyn and its contribution to the variability in seeding. This has implications for understanding disease progression, interpretation of seed amplification assays, and opens avenues for the development of cell type-specific antibodies against αSyn.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 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 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 ».