LIRTS Viewer: A Web-Based Resource to View the Transcriptional Response of Lens Epithelial Cells to Injury
Notice bibliographique
Résumé
Purpose: Residual lens epithelial cells (LECs) respond to injury after cataract surgery, leading to posterior capsular opacification (PCO). Transcriptomic profiling of lens capsule-associated cells (CACs) post-cataract surgery (PCS) revealed that LECs quickly alter their transcriptome, producing numerous pro-inflammatory cytokines within a few hours PCS. In contrast, the significant activation of TGFβ signaling and fibrotic extracellular matrix deposition related to PCO only begins 1 to 3 days later. However, the global changes in gene expression in CACs, following the establishment of robust TGFβ signaling, remain unknown. Methods: Lens fiber cells were removed from wild-type mice, and CACs were isolated at 0, 72, or 120 hours PCS to perform bulk RNA sequencing (RNA-seq) to obtain estimates of RNA abundance. These data were combined with existing RNA-seq datasets to create a web-based visualization resource to explore the expression dynamics of most protein coding genes in CACs. Results: At 72 hours PCS, CACs differentially express genes consistent with a surge in proliferation and changes in actin filament organization while also robustly expressing fibrotic marker genes by 120 hours PCS. We developed a data visualization resource, the Lens Injury Response Time Series (LIRTS) Viewer, which integrates all data to gather valuable insights from gene expression in CACs over the first 5 days PCS. Conclusions: The LIRTS Viewer is useful for generating hypotheses related to PCO pathogenesis, as it reveals CAC gene expression dynamics, gene correlations, and biological pathways during the first 5 days following lens injury in an in vivo cataract surgery model.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 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 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 ».