An Acidic Microenvironment Increases NK Cell Killing of Cryptococcus neoformans and Cryptococcus gattii by Enhancing Perforin Degranulation
Notice bibliographique
Résumé
Cryptococcus gattii and Cryptococcus neoformans are encapsulated yeasts that can produce a solid tumor-like mass or cryptococcoma. Analogous to malignant tumors, the microenvironment deep within a cryptococcoma is acidic, which presents unique challenges to host defense. Analogous to malignant cells, NK cells kill Cryptococcus. Thus, as in tumor defense, NK cells must kill yeast cells across a gradient from physiologic pH to less than 6 in the center of the cryptococcoma. As acidic pH inhibits anti-tumor activities of NK cells, we sought to determine if there was a similar reduction in the anticryptococcal activity of NK cells. Surprisingly, we found that both primary human NK cells and the human NK cell line, YT, have preserved or even enhanced killing of Cryptococcus in acidic, compared to physiological, pH. Studies to explore the mechanism of enhanced killing revealed that acidic pH does not increase the effector to target ratio, binding of cytolytic cells to Cryptococcus, or the active perforin content in effector cells. By contrast, perforin degranulation was greater at acidic pH, and increased degranulation was preceded by enhanced ERK1/2 phosphorylation, which is essential for killing. Moreover, using a replication defective ras1 knockout strain of Cryptococcus increased degranulation occurred during more rapid replication of the organisms. Finally, NK cells were found intimately associated with C. gattii within the cryptococcoma of a fatal infection. These results suggest that NK cells have amplified signaling, degranulation, and greater killing at low pH and when the organisms are replicating quickly, which would help maintain microbicidal host defense despite an acidic microenvironment.
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) | 0,000 | 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 ».