Granule-Dependent Natural Killer Cell Cytotoxicity to Fungal Pathogens
Notice bibliographique
Résumé
Natural killer (NK) cells kill, or inhibit the growth of a number of fungi including Cryptococcus, Candida, Aspergillus, Rhizopus, and Paracoccidioides. Although many fungi are not dangerous, invasive fungal pathogens such as Cryptococcus neoformans, cause life-threatening disease in individuals with impaired cell-mediated immunity. While there are similarities to cell-mediated killing of tumor cells, there are also important differences. Similar to tumor killing, NK cells directly kill fungi in a receptor-mediated, cytotoxic granule-dependent manner. Unlike tumor cell killing where multiple NK cell activating receptors cooperate and signal events that mediate cytotoxicity, only the NKp30 receptor has been described to mediate signaling events that trigger the NK cell to mobilize it’s cytolytic payload to the site of interaction with C. neoformans and Candida albicans, subsequently leading to granule exocytosis and fungal killing. More recently, the NKp46 receptor was reported to bind Candida glabrata adhesins Epa1, 6, and 7 and directly mediate fungal clearance. A number of unanswered questions remain. Is only one NK cell activating receptor sufficient for signaling leading to fungal killing? Are the signaling pathways activated by fungi similar to those activated by tumor cells during NK cell killing? How do the cytolytic granules traffic to the site of interaction with fungi, and how does this process compare with tumor killing? Recent insights into receptor use, intracellular signaling and cytolytic granule trafficking during NK cell-mediated fungal killing will be compared to tumor killing, and the implications for therapeutic approaches will be discussed.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».