IFNα signaling through PKC-θ is essential for antitumor NK cell function
Notice bibliographique
Résumé
We have previously shown that the development of a major histocompatibility complex class I (MHC-I)-deficient tumor was favored in protein kinase C-θ knockout (PKC-θ−/−) mice compared to that occurring in wild-type mice. This phenomenon was associated with scarce recruitment of natural killer (NK) cells to the tumor site, as well as impaired NK cell activation and reduced cytotoxicity ex vivo. Poly-inosinic:cytidylic acid (poly I:C) treatment activated PKC-θ in NK cells depending on the presence of a soluble factor produced by a different splenocyte subset. In the present work, we sought to analyze whether interleukin-15 (IL-15) and/or interferon-α (IFNα) mediate PKC-θ-dependent antitumor NK cell function. We found that IL-15 improves NK cell viability, granzyme B expression, degranulation capacity and interferon-γ (IFNγ) secretion independently of PKC-θ. In contrast, we found that IFNα improves the degranulation capability of NK cells against target cancer cells in a PKC-θ-dependent fashion both ex vivo and in vivo. Furthermore, IFNα induces PKC-θ auto-phosphorylation in NK cells, in a signal transduction pathway involving both phosphatidylinositol-3-kinase (PI3K) and phospholipase-C (PLC) activation. PKC-θ dependence was further implicated in IFNα-induced transcriptional upregulation of chemokine (C-X-C motif) ligand 10 (CXCL10), a signal transducer and activator of transcription-1 (STAT-1)-dependent target of IFNα. The absence of PKC-θ did not affect IFNα-induced STAT-1 Tyr701 phosphorylation but affected the increase in STAT-1 phosphorylation on Ser727, attenuating CXCL10 secretion. This connection between IFNα and PKC-θ in NK cells may be exploited in NK cell-based tumor immunotherapy.
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) | 0,004 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».