Комментарий к статье "Выделение ROS глиальными клетками, обусловленное Duox, способствует регенерации в мозге взрослой Drosophila."

Правильное управление поведением стволовых клеток имеет решающее значение для поддержания гомеостаза тканей. В организме Drosophila белки, связанные с гладкими септатными юнкциями (sSJ), играют ключевую роль в регулировании пролиферации кишечных стволовых клеток (ISC) через активность атипичного PKC (aPKC). В данном исследовании мы исследуем основные механизмы этого процесса. Мы обнаружили, что уровень aPKC в апикальной коре уменьшается в процессе дифференцировки энтеробластов, что соответствует апикальному накоплению белков sSJ. В условиях недостатка белков sSJ aPKC оставался в апикальной коре энтеробластов, что сопровождалось избыточной пролиферацией ISC. Манипуляции с Kibra, активатором пути Hippo, который связывается с aPKC, повлияли на избыточную пролиферацию ISC, вызванную дефицитом белков sSJ, в зависимости от домена связывания с aPKC, что выявляет связь между aPKC и путями Hippo и/или Misshapen-Yorkie в пролиферации ISC. Это исследование предоставляет новые идеи о механизме регуляции стволовых клеток, в котором участвует антагонистическое взаимодействие между aPKC и юнктинными белками в дифференцирующихся предшественниках.

Соленость почвы ограничивает продуктивность пшеницы, нарушая водопоглощение, гомеостаз Na⁺/K⁺, фотосинтез, репродуктивное развитие и заполнение зерна. Хотя об устойчивости пшеницы к солености часто говорят в терминах отдельных черт, таких как исключение Na⁺, антиоксидантная защита, накопление осмолитов или сигнальная система абсцизовой кислоты, эти реакции функционируют как взаимосвязанные сигнальные сети. В этом обзоре адаптация пшеницы к солености пересматривается как процесс, управляемый взаимодействием, связывающий раннее восприятие корней с акклиматизацией всего растения и результатами, связанными с урожаем. На интерфейсе корень-почва соленость быстро снижает внешний водяной потенциал, изменяет мембранный потенциал, нарушает ионные потоки и вызывает ранние сигналы Ca²⁺, активных форм кислорода (ROS), pH, оксида азота, электрические сигналы и сигналы фосфорилирования. Сенсоры и декодеры Ca²⁺, включая CaM/CMLы, CDPKи и модули CBL-CIPK, связывают эти ранние сигналы с регуляцией ROS, активностью ионных транспортёров, каскадами киназ и транскрипционной перестройкой. ABA интегрирует осмотический стресс с закрытием устиц, гидравлической настройкой, накоплением совместимых солей и регуляцией использования воды, в то время как дополнительные гормональные и метаболические сигналы формируют архитектуру корней, сдерживание роста, старение, баланс источник-резервуар и защиту репродукции. Доказательства, специфичные для пшеницы, настоятельно подтверждают важность опосредованного извлечения Na⁺, регулирования ионов, подобного SOS, удержания K⁺, антиоксидантной способности, регулирования воды, связанного с ABA, осмотической корректировки и генотипически зависимых транскрипционных реакций. Тем не менее, несколько важных модельных сигнальных схем, включая точные сигнатуры Ca²⁺, динамику обратной связи Ca²⁺-ROS в реальном времени, сигналы устиц ABA-ROS-Ca²⁺, системные волны Ca²⁺/ROS и специфическое для солености редокс-гормональное управление заполнением зерна, остаются неполностью проверенными в пшенице. Разделяя механизмы, поддерживаемые пшеницей, и сохранённые модели растений, этот обзор идентифицирует ключевые сигнальные хабы и физиологические компромиссы, которые могут направить селекцию, редактирование генома, подготовку и агрономические стратегии для улучшения производительности пшеницы в условиях соли.

Скрининг на антиген простаты (PSA) снижает смертность от рака простаты (PCa), но ограничен из-за переобследования и низкой специфичности для клинически значимой болезни. Эти ограничения подчеркивают необходимость более точных биомаркеров для различения агрессивных раков и инертных образований. Настоящий обзор исследовал продвинутые маркеры на основе крови, включая изоформы PSA, компоненты жидкой биопсии и индекс здоровья простаты; мочевые биомаркеры, такие как антиген рака простаты 3, фьюжн сериновой протеазы трансперембр качественного второго и панель MyProstateScore 2.0; и генетические маркеры, варьирующие от мутаций с высоким проникающим эффектом до полигеновых оценок риска. Дальше было рассмотрено интеграция этих биомаркеров с мультипараметрической МРТ, моделями калькуляторов риска и оценками для здравоохранения для оптимизации путей скрининга. Направления будущих исследований включают мультиомное профилирование, искусственный интеллект и новые технологии биосенсорики. Настоящий обзор направлен на то, чтобы предоставить всестороннюю и сбалансированную точку зрения на новые биомаркеры, которые изменяют персонализированный скрининг PCa.

Синдром Шегрена (СС) представляет собой системное аутоиммунное заболевание, обусловленное взаимодействиями между генетической предрасположенностью, экологическими факторами и изменениями в микробных экосистемах слизистых оболочек. Появляющиеся доказательства, полученные из исследований кишечника, полости рта и поверхности глаза, указывают на то, что микробная дисбиоз сильно ассоциирован с СС. У пациентов часто наблюдается снижение количества полезных комменсальных микроорганизмов и увеличение потенциально патогенных таксонов, что сопровождается нарушением эпителиального барьера, дисбалансом клеток Т-хелперов 17 и регуляторных Т-клеток, аномальными ответами B-клеток и устойчивой активацией сигнального пути интерферона типа I. Несколько механизмов могут способствовать развитию болезни, включая молекулярный мимикрий, экзосомально опосредованную иммунную коммуникацию и изменения в метаболитах, производимых микробиотой. Интегрированные мультиомические подходы, особенно высокопроизводительное секвенирование и метаболомика, выявили микробные сигнатуры и изменения метаболических путей, ассоциированные с СС, что открывает возможности для открытия биомаркеров и терапевтической целевой нацеленности. Стратегии, направленные на микробиоту, такие как пробиотическая поддержка, трансплантация фекальной микробиоты и исследования взаимодействий лекарств с микробиомом, показали перспективы для восстановления иммунной гомеостазы. Однако текущие доказательства остаются ограниченными малыми размерами когорты, методологической гетерогенностью и недостаточной ясностью причинно-следственных связей.

Интерфейсы «мозг-компьютер» (BCI) произвели революцию в нейронауке, обеспечивая широкий спектр приложений, от моторной реабилитации до нейроэргономики. Традиционные имплантируемые BCI с инвазивными микроэлектродными массивами сталкиваются с несколькими проблемами, особенно с необходимостью проводных соединений и связанными с ними рисками имплантации. В данной статье представлен беспроводной BCI без батареи, объединяющий имплант и его внешнюю поддерживающую систему. Наше проектирование сосредоточено на антенном системе с двойной функцией: во-первых, механизм индуктивной связи обеспечивает беспроводную передачу энергии, достаточно обеспечивая питание интегральной схемы специального назначения (ASIC) для стимуляции и считывания без батареи в импланте. Во-вторых, антенна обратного рассеяния в импланте облегчает беспроводную связь с высокой скоростью передачи данных (до 32 Мбит/с) без батареи. Эта система не только улучшает взаимодействие с BCI, устраняя провода, но также сохраняет точность передачи данных и эффективность использования энергии, обещая более безопасный и эффективный интерфейс для выполнения задач, таких как управление роботизированными руками.

Какое значение имеет биологическая проводка для нейронных вычислений? Поведенческие эксперименты могут проверить правильность выводов модели, но они не могут определить, являются ли ее внутренние представления биологически верными. Брунтон и др. (2026) сделали это конкретным: коннектом червя C. elegans, обученный с помощью глубокого обучения с подкреплением, генерирует реалистичную походку мухи Drosophila, однако модель не имеет биологического смысла, так как достоверность поведения может быть достигнута без биологической достоверности. Нам нужен метрический показатель на уровне популяции, который отличал бы настоящую биологическую проводку от произвольной, не требуя поведенческого декодера. Мы предлагаем представительную геометрию как такой метрический показатель. Представительная геометрия — это структура парных расстояний между ответами популяции на различные стимулы — отражает, как нейронная цепь организует свое представительное пространство независимо от того, какое поведение она вызывает. Мы применяем анализ представительной схожести (RSA) и центрированное выравнивание ядер (CKA) к ансамблю зрительной системы Drosophila melanogaster Flyvis (Лаппалаинен и др. (2024)): 50 сетей, архитектура которых фиксирована на коннектоме Flyvis (восстановленном на основе частичных источников электронной микроскопии), в сравнении с ограниченными по стабильности случайными базelines (перетасовка весов, сохраняющая знак, выборка отклонений для динамической стабильности, n = 50). Сети, ограниченные коннектомом, создают гладкую круговую геометрию направления, которую случайные сети не могут воспроизвести: RSA Спирмен r = 0.686 (p < 0.0001) для стимулов на границе ON и r = 0.846 (p < 0.0001) для стимулов ON+OFF границы, что подтверждается CKA (p < 0.05 в обоих экспериментах). Геометрия также отслеживает биологическую настройку направления T4/T5, зарегистрированную у живых мух (Майсак и др. 2013): геометрия, ограниченная коннектомом, значительно лучше соответствует биологии, чем случайная геометрия (r = 0.930 против r = 0.603, разрыв {triangleup}r = 0.327, p < 0.0001). В пределах каждой полярности стимула путь ON кодирует направление с более сильным геометрическим разделением, чем путь OFF ({triangleup}r = 0.138, 95% CI [0.091, 0.236]); мы сообщаем об этом как о свойстве представлений ансамблей модели, а не как об установленной биологической разнице: Майсак и др. (2013) находят T4 и T5 функционально эквивалентными, кроме полярности контраста. Чтобы устранить смещение в обучении, мы сравнили незатренированные сети с перетасованными базелинами: предшествующий коннектом формирует геометрию направления на уровне ансамбля до любой тренировки задачи (r = 0.260, p = 0.041 и r = 0.215, p = 0.048; оба предельные, не откорректированные), что предполагает, что проводка кодирует геометрический предшественник, который обучение усиливает. Эти результаты устанавливают представительную геометрию как кандидата на метрическую меру достоверности, которая позволяет различать биологическую и произвольную проводку, используя только ответы популяции на структурированный набор стимулов, и указывает на практический путь к метрическим мерам достоверности для эмуляций на уровне коннектома, приближающихся к коре млекопитающих.