Difference between revisions of "Dynamique physiologique dans les maladies démyélinisantes : démêler les relations complexes grâce à la modélisation informatique"

Dynamique physiologique dans les maladies démyélinisantes : démêler les relations complexes grâce à la modélisation informatique (view source)

Revision as of 18:33, 3 May 2023

380 bytes added , 2 years ago

no edit summary

Luca

Editor, Editors, USER, editor, translator

5,845

edits

@@ Line 190: / Line 190: @@
 Il existe de nombreuses façons dont la fonction mitochondriale peut mal tourner et les voies compensatoires sont tout aussi compliquées.<ref name=":8" /><ref name=":12" /><ref name=":13" />Par exemple, le dysfonctionnement mitochondrial peut être enraciné dans la signalisation Ca2+ perturbée dans les mitochondries, les gradients de protons ou la chaîne électronique perturbés, le déséquilibre réduction-oxydation ainsi que les conséquences de la disponibilité réduite de l'ATP, localement et globalement. Des modèles multi-échelles du cœur, par exemple, ont été utilisés pour lier la signalisation mitochondriale altérée du Ca2+ à l'arythmie [60]. En utilisant la modélisation du réseau mitochondrial, cette étude a démontré comment même un peu trop d'espèces réactives de l'oxygène peut déclencher un effondrement à l'échelle cellulaire du potentiel de la membrane mitochondriale. C'est un excellent exemple de la façon dont un modèle informatique peut relier des processus se produisant à différents niveaux, et ce sont précisément ces liens qui doivent être établis dans le domaine des maladies de démyélinisation.
-=== Missing Links and the Need for Integration ===
+=== Liens manquants et besoin d'intégration ===
-Within the field of demyelinating diseases, modeling efforts have traditionally focused on axon models aimed at explaining various aspects of excitability. But as outlined above, those models have undergone tremendous evolution in complexity. In the process, models at different biological scales have begun to coalesce. For instance, models have now begun to address the regulation of ion concentrations and the consequences thereof for slow excitability changes, energy consumption, and toxicity. A computational approach will be necessary for integrating parallel and multifactorial etiologies associated with cognitive decline such as immune system signaling, energy metabolism, grey and white matter interactions, and genetic networks [117].<ref>Zeis T., Allaman I., Gentner M., Schroder K., Tschopp J., Magistretti P.J., Schaeren-Wiemers N. Metabolic gene expression changes in astrocytes in Multiple Sclerosis cerebral cortex are indicative of immune-mediated signaling. Brain Behav. Immun. 2015;48:315–325. doi: 10.1016/j.bbi.2015.04.013.[PubMed] [CrossRef] [Google Scholar]</ref> These continued efforts are starting to uncover the vast and interconnected feedback loops that operate across a broad range of spatial and temporal scales. That said, such efforts are still in their infancy and wide gaps remain in the modeling of demyelinating diseases. It is easier to describe what has been modeled than what has not. A truly integrated model involving multiple cell types that addresses all the hypothesized etiological factors remains unrealized. Among the unexplored or under-explored but potentially useful targets for modeling are grey matter pathology, myelin sheath aqueous layers, energy metabolism, and perhaps most importantly, multi-scale or integrated modeling. One should recognize that the necessary tools exist in other fields of study and can, therefore, be readily applied to the study of demyelination diseases.
+Dans le domaine des maladies démyélinisantes, les efforts de modélisation se sont traditionnellement concentrés sur des modèles d'axones visant à expliquer divers aspects de l'excitabilité. Mais comme indiqué ci-dessus, ces modèles ont subi une évolution considérable en termes de complexité. Dans le processus, des modèles à différentes échelles biologiques ont commencé à fusionner. Par exemple, les modèles ont maintenant commencé à aborder la régulation des concentrations d'ions et leurs conséquences sur les changements lents d'excitabilité, la consommation d'énergie et la toxicité. Une approche informatique sera nécessaire pour intégrer les étiologies parallèles et multifactorielles associées au déclin cognitif telles que la signalisation du système immunitaire, le métabolisme énergétique, les interactions entre la matière grise et la matière blanche et les réseaux génétiques [117].<ref>Zeis T., Allaman I., Gentner M., Schroder K., Tschopp J., Magistretti P.J., Schaeren-Wiemers N. Metabolic gene expression changes in astrocytes in Multiple Sclerosis cerebral cortex are indicative of immune-mediated signaling. Brain Behav. Immun. 2015;48:315–325. doi: 10.1016/j.bbi.2015.04.013.[PubMed] [CrossRef] [Google Scholar]</ref> Ces efforts continus commencent à découvrir les vastes boucles de rétroaction interconnectées qui fonctionnent sur une large gamme d'échelles spatiales et temporelles. Cela dit, ces efforts en sont encore à leurs balbutiements et de grandes lacunes subsistent dans la modélisation des maladies démyélinisantes. Il est plus facile de décrire ce qui a été modélisé que ce qui ne l'a pas été. Un modèle véritablement intégré impliquant plusieurs types de cellules qui aborde tous les facteurs étiologiques hypothétiques reste non réalisé. Parmi les cibles inexplorées ou sous-explorées mais potentiellement utiles pour la modélisation figurent la pathologie de la matière grise, les couches aqueuses de la gaine de myéline, le métabolisme énergétique et peut-être le plus important, la modélisation multi-échelle ou intégrée. Il faut reconnaître que les outils nécessaires existent dans d'autres domaines d'étude et peuvent donc être facilement appliqués à l'étude des maladies de démyélinisation.
 === Conclusions ===