Feed-forward loop Dotaz Zobrazit nápovědu
A subset of patients with non-alcoholic fatty liver disease develop an inflammatory condition, termed non-alcoholic steatohepatitis (NASH). NASH is characterised by hepatocellular injury, innate immune cell-mediated inflammation and progressive liver fibrosis. The mechanisms whereby hepatic inflammation occurs in NASH remain incompletely understood, but appear to be linked to the proinflammatory microenvironment created by toxic lipid-induced hepatocyte injury, termed lipotoxicity. In this review, we discuss the signalling pathways induced by sublethal hepatocyte lipid overload that contribute to the pathogenesis of NASH. Furthermore, we will review the role of proinflammatory, proangiogenic and profibrotic hepatocyte-derived extracellular vesicles as disease biomarkers and pathogenic mediators during lipotoxicity. We also review the potential therapeutic strategies to block the feed-forward loop between sublethal hepatocyte injury and liver inflammation.
- MeSH
- hepatitida patologie MeSH
- hepatocyty patologie MeSH
- játra patologie MeSH
- lidé MeSH
- lipidy škodlivé účinky MeSH
- nealkoholová steatóza jater patologie MeSH
- signální transdukce MeSH
- zvířata MeSH
- Check Tag
- lidé MeSH
- zvířata MeSH
- Publikační typ
- časopisecké články MeSH
- práce podpořená grantem MeSH
- přehledy MeSH
- Research Support, N.I.H., Extramural MeSH
Účel: Simulace vlivu úbytku neuronů a jejich propojení v různých typech neuronových sítí na jejich výkon. Metody: Na dopředně neuronové síti se zpětnou propagací byl modelován vliv úbytku synapsí na její výkon. Tato síť s lineární a nelinární přenosovou funkcí byla trénována v rozeznávání 36 reprezentací různých písmen a čísel. Odebíráním propojení mezi neurony byla neuronová síť poškozována. Byla sledována závislost počtu rozeznaných vzorů na počtu odebraných propojení. Dále byl sledován vztah mezi počtem odebraných neuronů a celkovým počtem propojení u vrstevnaté neuronové sítě s a bez horizontálních a zpětných propojení. Výsledky: Vztah mezi počtem neuronů a jejich propojení u vrstevnatých sítí s horizontálními propojeními a zpětnými vazbami je nelineární. Neuronové sítě jsou částečně odolné vůči poškození v důsledku redundantního kódování informace. Křivka zapomínání se liší také v závislosti na přítomnosti lineární a nelineární přenosové funkce. Závěr: Tato práce ukazuje, že nelineární průběh úbytku kognitivních schnopností u demence může mít několik příčin: nehnární závislost mezi počtem neuronů a jejich propojení (synapsí) u určitých síťových architektur (přítomných v lidském mozku), částečná odolnost proti destrukci díky redundantnímu kódování informace a nelineární přenosová funkce (přítomnou také v biologických neuronových sítích).
Objective: To examine how the destruction of individual neurons or interconnections of the different neural networks models reduce their performance. Methods: The feed-forward backpropagation neural network served as a model for synaptic lost and its influence on the network performance. This network with linear and non-linear transfer function has been trained to recognize 36 differen t re- presentations of the different characters and numbers. The network has been then damaged by the elimination of connections betw een selected artificial neurons. The number of recognized patterns has been then compared to the number of lost connections. Relati onship between number of neurons and connections has been studied in layered neural networks with and without back loop and horizontal connections. Results: Relationship between number of neurons and connections in layered networks with horizontal connections and feedback connections is non-linear. Neural networks have partial destruction tolerance via redundant information coding. Shape of the curve of forgetting differs depending on presence of linear or non-linear transfer function. Conclusion: This work indicates that the non-linear dependency of the deterioration of the cognitive abilities may have several reasons: non-linear relationship between number of neurons and number of connections (synapses) in certain network architectures (present in the human brain), partial destruct ion tolerance via redundant information coding and non-linear transfer function (present also in biological neural networks).
