Common and distinct circulating microRNAs in four neurovascular disorders
Notice bibliographique
Résumé
Background Familial cerebral cavernous malformations (FCCM), Sturge-Weber Syndrome (SWS), and hereditary hemorrhagic telangiectasia (HHT) are driven by genetic mutations causing varying vascular dysmorphism and risk of brain bleeding. Cerebral microbleeds (CMBs) are associated with the aging process with less characterized genetic drivers. This study hypothesizes that common and distinct circulating microRNAs (miRNAs) can reflect mechanisms of vascular dysmorphism and bleeding, which can serve as potential biomarkers in clinical contexts. Methods Differentially expressed (DE) plasma miRNAs ( p < 0.05, FDR corrected, absolute fold change [|FC|]>1.5]) were identified between patients with FCCM, SWS, HHT, and CMB, compared to age and sex matched healthy patients. Ingenuity Pathway Analysis as well as transcriptome integration analyses were performed to identify gene targets of the DE miRNAs and their associated pathways. Preselected miRNAs were validated using ddPCR. Results Eleven circulating DE miRNAs were identified in FCCM, 40 in SWS, 41 in HHT, and 26 in CMB ( p < 0.05, FDR-corrected, [|FC|]>1.5]). Further analyses showed that 18 DE miRNAs were commonly dysregulated in any two of the studied neurovascular disorders. The PI3K-Akt and ROBO SLIT signaling pathways were identified across all four disorders. The plasma levels of four miRNAs were further validated ( p < 0.05) using ddPCR. Conclusion The common dysregulated miRNAs across neurovascular disorders reflect shared mechanistic pathways underlying vascular dysmorphism and bleeding. These findings pave the way for further mechanistic exploration of these miRNAs, and their potential clinical application for disease monitoring and therapeutic intervention.
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) | 0,000 | 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 | 0,000 | 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 ».