MétaCan
Menu
Retour à la cohorte
Enregistrement W4412654671 · doi:10.3390/cells14141097

Role of Cellular Senescence in IUGR: Impact on Fetal Morbidity and Development

2025· review· en· W4412654671 sur OpenAlexafffund
Aliabbas Zia, Faezeh Sahebdel, Yosra Er‐Reguyeg, Michel Desjarlais, Jean-Clément Mars, Gregory A. Lodygensky, Sylvain Chemtob

Notice bibliographique

RevueCells · 2025
Typereview
Langueen
DomaineMedicine
ThématiqueBirth, Development, and Health
Établissements canadiensUniversité LavalHôpital Maisonneuve-RosemontUniversité de MontréalCentre Hospitalier Universitaire Sainte-Justine
Organismes subventionnairesCanadian Institutes of Health ResearchUniversité de MontréalMitacs
Mots-clésSenescenceInflammationIntrauterine growth restrictionOxidative stressPathologicalPlacentaFetusMechanism (biology)MedicineBiologyBioinformaticsImmunologyPregnancyInternal medicine

Résumé

récupéré en direct d'OpenAlex

Intrauterine growth restriction (IUGR) is a critical challenge in perinatal medicine and is associated with significant morbidity and mortality. This review explores the intricate involvement of early developmental senescence in IUGR. We highlight the dual role of cellular senescence in both normal development and pathological conditions, emphasizing the need for further research to elucidate these mechanisms and develop targeted interventions. We discuss how oxidative stress and mitochondrial dysfunction affect senescence determinants. We present emerging therapeutic strategies aimed at targeting senescence and inflammation in the placenta. We also introduce Rytvela, an interleukin-1 (IL-1) receptor modulator developed in our laboratory, which selectively attenuates pro-inflammatory signaling while preserving essential immune responses, which in turn mitigate senescence. By addressing senescence-related dysfunctions, such interventions may improve placental performance and fetal outcomes, opening up new directions for the clinical management of IUGR.

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)0,000
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 enseignants0,004
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,040
Tête enseignante GPT0,343
Écart entre enseignants0,303 · 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

Citations1
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueCellsMême sujetBirth, Development, and HealthTravaux en français237 207