seneR: An R package for comprehensive senescence assessment and its application in type 2 diabetes and osteoarthritis
Notice bibliographique
Résumé
Background: Cellular senescence is a key driver of aging and chronic diseases. However, accurately identifying senescent cells is challenging due to limitations of conventional biomarkers and senescence heterogeneity. Transcriptome-wide analyses offer powerful tools for deciphering cellular states. Yet, there is a critical gap in computational frameworks for senescence assessment from transcriptomic data. Methods: We developed the seneR package, which includes functions such as calculating senescence identity scores (SID scores), assessing senescence-related phenotypes, and plotting senescence trajectories, and provides an interactive Shiny interface. We applied seneR to transcriptome datasets from human islets and chondrocytes to investigate the role of senescence in Type 2 Diabetes (T2D) and osteoarthritis (OA). Additionally, in vitro validation confirmed phentolamine (PM)'s potential to delay chondrocyte senescence. Results: seneR accurately identified senescent cells and revealed senescence-related phenotypes in transcriptome datasets. In T2D, SID scores were significantly higher in elderly islets. Senescent islet cells exhibited diminished responsiveness to nutrient stimuli, linking senescence to impaired insulin secretion. In OA, seneR identified SLPI as a molecule strongly associated with chondrocyte senescence, with PM treatment reducing SID scores. Trajectory analysis revealed chondrocyte senescence progression and potential therapeutic targets. In vitro experiments, PM reversed both IL-1β- and H₂O₂-induced chondrocyte senescence. Conclusion: Our study demonstrates that seneR is a valuable tool for assessing cellular senescence from transcriptomic data, revealing key phenotypes and potential therapeutic targets in T2D and OA. The identification of SLPI as a senescence-associated molecule and the therapeutic potential of PM highlights the utility of our approach in understanding senescence-related diseases.
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 | 0,009 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,083 | 0,037 |
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 ».