Pericardial Fluid–Derived Small Extracellular Vesicles from Patients with Coronary Disease Alter the Lipidome of Human Coronary Artery Endothelium
Notice bibliographique
Résumé
Background: To date, we have lacked an understanding of how factors in the pericardial fluid (PF) of patients with coronary artery disease (CAD) can influence the lipidome of coronary artery endothelium. This study explores the impact of PF-derived extracellular vesicles (EVs) on the lipidome of human coronary artery endothelial cells (HCAECs) in patients with CAD. Methods: In this observational study, PF was collected from patients with CAD (n = 3) and without CAD (n = 3). PF-derived small EVs were isolated and characterized using microfluidic resistive pulse sensing. HCAECs were exposed to these EVs, and untargeted liquid chromatography-mass spectrometry was subsequently used to determine the lipidome of the HCAECs. In silico analysis was used to evaluate changes in lipid species and classes. Results: A total of 1043 lipid species were identified in untreated HCAECs and HCAECs treated with PF-derived small EVs. The predominant lipid types were glycerophospholipids, glycerolipids, and sphingolipids. Quantification of individual lipid classes showed HCAECs treated with PF EVs showed reduced summed intensities of lysophosphatidylglycerols and diacylglycerophosphoinositols compared to untreated controls. Treatment with PF EVs derived from Non-CAD patients led to an increase in sphingoid bases, whereas this effect was not observed with CAD-derived PF EVs. Both Non-CAD and CAD PF EV treatments resulted in elevated prenol lipids compared to controls. Conclusions: We identify that small EVs isolated from the PF of patients with CAD alter the lipid profile and metabolism of human coronary artery endothelium. Future studies should determine whether such changes can contribute to the pathophysiology of ischemic heart disease.
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 | 0,001 | 0,001 |
| 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 ».