CELL SENESCENCE AND SENOLYTIC TREATMENT FOR LOW BACK PAIN
Notice bibliographique
Résumé
Low back pain (LBP) is a leading global cause of disability, imposing personal and economic costs that exceed $100 billion annually in the U.S. alone. LBP is often linked to intervertebral disc (IVD) degeneration, with senescent cells (SnCs) playing a key role in its progression. SnCs, which accumulate due to aging and cellular stress, adopt a senescence-associated secretory phenotype (SASP), releasing inflammatory and degenerative factors that drive age-related diseases like LBP. In human IVD tissue and cell cultures, SnCs have been shown to contribute to LBP, and their removal decreases the expression of inflammatory and pain-associated SASP factors. Similarly, Sparc-/- mice, which mimic human IVD degeneration, show SnC accumulation with age. Oral senolytic treatments in these animals reduced LBP, eliminated SnCs from the IVD and spinal cord, and decreased SASP factor release. Additionally, treatment improved vertebral bone quality, reduced IVD degeneration and lowered spinal cord pain marker expression. This study demonstrates that systemic oral senolytic drugs, such as RG-7112 and o-Vanillin, effectively reduce behavioural indicators of LBP, suppress SASP, and mitigate degenerative changes in spinal tissues. Combined treatments yielded more robust therapeutic effects, suggesting senolytics could be a promising novel therapy for LBP and other disorders linked to cellular senescence.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».