Mesenchymal Stromal (Stem) Cell Therapy Fails to Improve Outcomes in Experimental Severe Influenza
Notice bibliographique
Résumé
RATIONALE: Severe influenza remains a major public health threat and is responsible for thousands of deaths annually. Increasing antiviral resistance and limited effectiveness of current therapies highlight the need for new approaches to influenza treatment. Extensive pre-clinical data have shown that mesenchymal stromal (stem) cell (MSC) therapy can induce anti-inflammatory effects and enhance repair of the injured lung. We hypothesized that MSC therapy would improve survival, dampen lung inflammation and decrease acute lung injury (ALI) in a murine model of severe influenza. METHODS: C57Bl/6 mice were infected with influenza A/PuertoRico/8/34 (mouse-adapted H1N1) or influenza A/Mexico/4108/2009 (swine-origin pandemic H1N1) and administered human or mouse MSCs via the tail vein, either pre- or post- infection. MSC efficacy was evaluated as both an independent and adjunctive treatment strategy in combination with the antiviral agent, oseltamivir. Weight loss and survival were monitored. Inflammatory cells, cytokine/chemokines (IFN-γ, CXCL10, CCL2 and CCL5) and markers of ALI (total protein and IgM), were measured in bronchoalveolar lavage fluid and lung parenchyma. RESULTS: Administration of murine MSCs or human MSCs in a prophylactic or therapeutic regimen failed to improve survival, decrease pulmonary inflammation/inflammatory cell counts or prevent ALI in influenza virus-infected mice. MSCs administered in combination with oseltamivir also failed to improve outcomes. CONCLUSIONS: Despite similarities in the clinical presentation and pathobiology of ALI and severe influenza, our findings suggest that MSC therapy may not be effective for prevention and/or treatment of acute severe influenza.
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) | 0,001 | 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) | 0,003 | 0,002 |
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 ».