Epithelial-mesenchymal transition (EMT) changes in patients with LAM and IPF
Notice bibliographique
Résumé
<bold>Introduction/Aim:</bold> IPF is an irreversible fibrotic disease. Lymphangioleiomyomatosis (LAM) is a rare lung disease characterised by the abnormal proliferation of mesenchymal smooth muscle-like cells, leading to the formation of multiple lung cysts. EMT has been identified as a key mechanism driving fibrotic changes in COPD. Here, we aim to evaluate EMT activity in IPF (n=13) and LAM (n=6) compared to normal controls (NC, n=12). <bold>Method:</bold> Resected small airway (SA) tissue were stained for EMT markers – E-cadherin, N-cadherin, vimentin and S100A4. Biomarkers’ expression was quantified in the epithelial layer and parenchymal region using Image-Pro Plus 7.0 software. <bold>Results:</bold> Thickened epithelium was observed in IPF and LAM compared to NC. Compared to NC, E-cadherin expression was reduced in IPF (p<0.05), while N-cadherin expression was significantly increased in IPF (p<0.05) and LAM (p<0.001); vimentin expression was significantly increased in the epithelium and reticular basement membrane (Rbm) of IPF and LAM (p<0.01), while S100A4 expression was higher in the epithelium (p<0.01). Interestingly, S100A4 expression in the Rbm was lower in IPF and LAM compared to NC, potentially reflecting the presence of more mature myofibroblast, where S100A4 expression is lost. Furthermore, vimentin and S100A4 expression in type 2 pneumocytes within the lung parenchymal were significantly increased in IPF and LAM compared to NC. <bold>Conclusion:</bold> The observed SA remodelling, along with the differential expression of EMT markers, suggest active EMT in IPF and LAM patients. Further investigation into the correlations between EMT markers and lung function parameters may provide deeper insights into the pathogenesis of IPF and LAM.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».