Detecting Rejection after Mouse Islet Transplantation Utilizing Islet Protein-Stimulated ELISPOT
Notice bibliographique
Résumé
Improved posttransplant monitoring and on-time detection of rejection could improve islet transplantation outcome. The present study explored the possibility of detecting harmful events after mouse islet transplantation measuring the immune responsiveness against islet extracts. Mouse islet transplantations were performed using various donor/recipient combinations, exploring autoimmune (NOD/SCID to NOD, n = 6) and alloimmune events (C57BL/6 to BALB/c, n = 20), a combination of both (C57BL/6 to NOD, n = 8), the absence of both (BALB/c to BALB/c, n = 21), or naive, nontransplanted control mice (n = 14). The immune reactivity was measured by ELISPOT, looking at the ex vivo release of IFN-γ from splenocytes stimulated by islet donor extracts (sonicated islets). The immune reactivity was not altered in the syngeneic and autoimmune models, demonstrating similar levels as nontransplanted controls (p = 0.46 and p = 0.6). Conversely, the occurrence of an allogeneic rejection alone or in combination to autoimmunity was associated to an increase in the level of immune reactivity (p = 0.023 and p = 0.003 vs. respective controls). The observed increase was transient and lost in the postrejection period or after treatment with CTLA4-Ig. Overall, allogeneic rejection was associated to a transient increase in the reactivity of splenocytes against islet proteins. Such a strategy has the potential to improve islet graft monitoring in human and should be further explored.
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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».