Killer cell immunoglobulin-like receptor 3DL1 licenses CD16-mediated effector functions of natural killer cells
Notice bibliographique
Résumé
Activating receptor-mediated recognition of stress-induced ligands or IgG antibody bridging of tumor or pathogen-associated antigens to the FcγRIII CD16 triggers NK cells to kill transformed and infected cells with reduced HLA-I expression. According to the licensing hypothesis, NK cells become competent for activating receptor-mediated triggering after a formative encounter between a NK inhibitory receptor and its ligand. This general hypothesis is supported by murine and human studies, but to date, evidence of a role for such licensing in human ADCC is ambiguous. Inhibitory receptor interactions with HLA-C promote NK cell ADCC licensing, but interactions between KIR3DL1 and its HLA-Bw4 ligand may be insufficient. We investigated the impact of KIR3DL1 and HLA-Bw4 coexpression on NK cell ADCC using a robust, genuine target system of antibody-bearing EBV-transformed B lymphocytes. Although numbers of KIR3DL1(+) NK cells were similar in HLA-Bw4(+) and HLA-Bw4(-) individuals, general levels of ADCC mediated against target cells were significantly higher in a group of HLA-Bw4(+)KIR3DL1(+) individuals than in a comparable HLA-Bw4(-) group. Flow cytometry demonstrated directly that a significantly higher fraction of KIR3DL1(+) NK cells derived from HLA-Bw4(+) compared with HLA-Bw4(-) individuals produced IFN-γ following stimulation with ADCC targets. Murine FcR-bearing P815 target cells also triggered higher levels of CD16-mediated cytotoxicity by NK cells from HLA-Bw4(+)KIR3DL1(+) individuals. These results indicate a prominent role for KIR3DL1/HLA-Bw4 interactions in licensing NK cells for CD16-mediated effector function.
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 | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».