MétaCan
Menu
Retour à la cohorte
Enregistrement W4411572680 · doi:10.3389/fragi.2025.1585508

Preclinical models of mitochondrial dysfunction: mtDNA and nuclear-encoded regulators in diverse pathologies

2025· review· en· W4411572680 sur OpenAlexafffund
D.A. Miller, Stephen L. Archer, Kimberly J. Dunham‐Snary

Notice bibliographique

RevueFrontiers in Aging · 2025
Typereview
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueMitochondrial Function and Pathology
Établissements canadiensQueen's University
Organismes subventionnairesFaculty of Health Sciences, Queen's UniversityCanadian Institutes of Health ResearchMitacsQueen's UniversityCanada Research ChairsCanada Foundation for Innovation
Mots-clésMitochondrial DNAMitochondrial diseaseMitochondrionBiologyDiseasemitochondrial fusionMitophagyComputational biologyBioinformaticsNeuroscienceGeneGeneticsMedicinePathologyApoptosis

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,002

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 Opus0,032
Tête enseignante GPT0,301
Écart entre enseignants0,269 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations7
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in AgingMême sujetMitochondrial Function and PathologyTravaux en français237 207