Th17 cytokines induce pro-fibrotic cytokines release from human eosinophils
Notice bibliographique
Résumé
BACKGROUND: Subepithelial fibrosis is one of the most critical structural changes affecting bronchial airway function during asthma. Eosinophils have been shown to contribute to the production of pro-fibrotic cytokines, TGF-β and IL-11, however, the mechanism regulating this process is not fully understood. OBJECTIVE: In this report, we investigated whether cytokines associated with inflammation during asthma may induce eosinophils to produce pro-fibrotic cytokines. METHODS: Eosinophils were isolated from peripheral blood of 10 asthmatics and 10 normal control subjects. Eosinophils were stimulated with Th1, Th2 and Th17 cytokines and the production of TGF-β and IL-11 was determined using real time PCR and ELISA assays. RESULTS: The basal expression levels of eosinophil derived TGF-β and IL-11 cytokines were comparable between asthmatic and healthy individuals. Stimulating eosinophils with Th1 and Th2 cytokines did not induce expression of pro-fibrotic cytokines. However, stimulating eosinophils with Th17 cytokines resulted in the enhancement of TGF-β and IL-11 expression in asthmatic but not healthy individuals. This effect of IL-17 on eosinophils was dependent on p38 MAPK activation as inhibiting the phosphorylation of p38 MAPK, but not other kinases, inhibited IL-17 induced pro-fibrotic cytokine release. CONCLUSIONS: Th17 cytokines might contribute to airway fibrosis during asthma by enhancing production of eosinophil derived pro-fibrotic cytokines. Preventing the release of pro-fibrotic cytokines by blocking the effect of Th17 cytokines on eosinophils may prove to be beneficial in controlling fibrosis for disorders with IL-17 driven inflammation such as allergic and autoimmune diseases.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».