An automated workflow for quantifying the formation of synuclein aggregates in human dopaminergic neurons
Notice bibliographique
Résumé
Abstract Parkinson’s disease (PD) is a neurodegenerative disorder characterized by alpha-synuclein (α-syn) aggregates termed Lewy bodies. To model PD pathology in vitro , preformed fibrils of α-syn (PFFs), which can be taken up by cells, provide a seed that drives misfolding and aggregation of endogenous α-syn, with new aggregates amplifying this process. External application of PFFs to dopaminergic neurons (DNs) increases aggregate formation, marked by α-syn phosphorylation at serine 129 (pS129-syn), a pathological PD marker. Building on this, we developed an automated synuclein seeding assay to quantify new α-syn aggregates in iPSC-derived DNs. Using pS129-syn as a readout, we show that PFFs elicit a time- and dose-dependent increase in pS129-syn aggregates. Our high-throughput assay further revealed that aggregate formation depends on endogenous α-syn levels. Treatment with PFFs produced a greater increase in pS129-syn aggregates in iPSC DNs derived from a PD patient with a triplication in the SNCA gene, which encodes the α-syn protein and which elevates total α-syn levels, relative to DNs from an isogenic iPSC line from the same individual, in which the SNCA gene mutation had been corrected by CRISPR/Cas9. In contrast, no pS129-syn signal was detected in neurons in which all copies of the SNCA gene had been knocked out (KO). This high-content imaging assay for synuclein seeding offers a platform for assessing compounds and therapeutics that may impede α-syn aggregate formation.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,006 |
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 ».