Preclinical models of mitochondrial dysfunction: mtDNA and nuclear-encoded regulators in diverse pathologies
Notice bibliographique
Résumé
Mitochondrial-driven diseases encompass a diverse group of single-gene and complex disorders, all linked to mitochondrial dysfunction, with significant impacts on human health. While there are rare mitochondrial diseases in which the primary defect resides in mutations in mitochondrial DNA, it is increasingly clear that acquired mitochondrial dysfunction, both genetically- and epigenetically-mediated, complicates common complex diseases, including diabetes, cardiovascular disease and ischemia reperfusion injury, cancer, pulmonary hypertension, and neurodegenerative diseases. It is also recognized that mitochondrial abnormalities not only act by altering metabolism but, through effects on mitochondrial dynamics, can regulate numerous cellular processes including intracellular calcium handling, cell proliferation, apoptosis and quality control. This review examines the crucial role of preclinical models in advancing our understanding of mitochondrial genetic contributions to these conditions. It follows the evolution of models of mitochondrial-driven diseases, from earlier in vitro and in vivo systems to the use of more innovative approaches, such as CRISPR-based gene editing and mitochondrial replacement therapies. By assessing both the strengths and limitations of these models, we highlight their contributions to uncovering disease mechanisms, identifying therapeutic targets, and facilitating novel discoveries. Challenges in translating preclinical findings into clinical applications are also addressed, along with strategies to enhance the accuracy and relevance of these models. This review outlines the current state of the field, the future trajectory of mitochondrial disease modeling, and its potential impact on patient care.
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 | 0,000 |
| 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 | 0,001 | 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 ».