Immune Modulation by Plasmid DNA-mediated Cytokine Gene Transfer
Notice bibliographique
Résumé
Autoimmune diseases frequently develop as a result of an abnormal activation of autoreactive T cells, excessive production of proinflammatory cytokines, particularly by CD4(+) Th1 cells, and subsequent tissue destruction. Cytokine-dependent immunotherapy can be applied to alter the balance between Th1 and Th2 cell activity, or proinflammatory versus immunosuppressive cytokine profiles. Cytotoxic T lymphocyte (CTL) and/or macrophage activity can also be suppressed. Gene transfer offers numerous advantages for the in vivo delivery of cytokines or their receptors for immunotherapeutic use. We have relied on the injection of naked plasmid DNA into skeletal muscle to deliver therapeutic genes. In particular, we have successfully used this approach to deliver neutralizing cytokine receptors such as interferon gamma (IFNgamma)-receptor-Ig fusion proteins or anti-inflammatory cytokines such as transforming growth factor beta-1 (TGF-beta1) and interleukin 4 (IL-4). Intramuscular gene therapy is effective in protecting against several experimental autoimmune diseases including insulin-dependent diabetes mellitus (IDDM), experimental allergic encephalomyelitis (EAE), and systemic lupus erythematosus (SLE). Another promising approach involves DNA vaccination by plasmid-based codelivery of genes encoding an autoantigen and either a cytokine or other immunomodulatory molecule. Plasmid vectors offer interesting advantages over viral vectors, since they are simple to produce, non-immunogenic and non-pathogenic. They can be repeatedly administered with relatively prolonged periods of expression in vivo, ranging from weeks to months after each injection. Plasmid-based intramuscular gene transfer has great therapeutic potential in the areas of autoimmune and inflammatory disorders.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».