MétaCan
Menu
Retour à la cohorte
Enregistrement W2953073283 · doi:10.3389/fimmu.2019.01414

What Defines NK Cell Functional Fate: Phenotype or Metabolism?

2019· review· en· W2953073283 sur OpenAlexafffund
Sophie M. Poznanski, Ali A. Ashkar

Notice bibliographique

RevueFrontiers in Immunology · 2019
Typereview
Langueen
DomaineImmunology and Microbiology
ThématiqueImmune Cell Function and Interaction
Établissements canadiensMcMaster University Medical Centre
Organismes subventionnairesOntario Ministry of Health and Long-Term CareCanadian Institutes of Health ResearchGovernment of Ontario
Mots-clésBiologyCell biologyEffectorPhenotypeCell metabolismCellImmune systemCell fate determinationNatural killer cellCell typeCytotoxic T cellImmunologyTranscription factorIn vitroGeneGenetics

Résumé

récupéré en direct d'OpenAlex

NK cells are capable of an array of functions that range widely from their classic anti-tumor and anti-viral cytotoxic effector functions, to their critical regulatory roles in controlling inflammatory immune responses and promoting tissue growth. However, the mechanisms that polarize NK cells to these distinct and opposing functions are incompletely understood. NK cell functional subsets are primarily identified and studied based on phenotype, which has served as an accessible means for profiling NK cells and does offer information on NK cell activation state. However, inconsistencies have emerged in using classic phenotypes to inform function, which raise the questions: Can phenotype in fact define NK cell functional fate? What factors do profile and drive NK cell fate? In other immune cells, cell metabolism has been shown to critically determine subset polarization. There is a growing body of evidence that cell metabolism is integral to NK cell effector functions. Glucose-driven glycolysis and oxidative metabolism have been shown to drive classic NK cell anti-tumor and anti-viral effector functions. Recent studies have uncovered a critical role for metabolism in NK cell development, education, and memory generation. In this review, we will draw on the evidence to date to investigate the relationship between NK cell phenotype, metabolism, and functional fate. We explore a paradigm in which the differential activity of metabolic pathways within NK cells produce distinct metabolic fingerprints that comprehensively distinguish and drive the range of NK cell functional abilities. We will discuss future areas of study that are needed to develop and test this paradigm and suggest strategies to efficiently profile NK cells based on metabolism. Given the emerging role of metabolism in driving NK cell fates, profiling and modulating NK cell metabolism holds profound therapeutic potential to tune inflammatory and regulatory NK cell responses to treat disease.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,002
Communication savante0,0020,003
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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.

Tête enseignante Opus0,031
Tête enseignante GPT0,263
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations139
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in ImmunologyMême sujetImmune Cell Function and InteractionTravaux en français237 207