NR4A Expression by Human Marginal Zone B-Cells
Notice bibliographique
Résumé
We have previously characterized a human blood CD19+CD1c+IgM+CD27+CD21loCD10+ innate-like B-cell population, which presents features shared by both transitional immature and marginal zone (MZ) B-cells, named herein “precursor-like” MZ B-cells. B-cells with similar attributes have been associated with regulatory potential (Breg). In order to clarify this issue and better characterize this population, we have proceeded to RNA-Seq transcriptome profiling of mature MZ and precursor-like MZ B-cells taken from the blood of healthy donors. We report that ex vivo mature MZ and precursor-like MZ B-cells express transcripts for the immunoregulatory marker CD83 and nuclear receptors NR4A1, 2, and 3, known to be associated with T-cell regulatory (Treg) maintenance and function. Breg associated markers such as CD39 and CD73 were also expressed by both populations. We also show that human blood and tonsillar precursor-like MZ B-cells were the main B-cell population to express elevated levels of CD83 and NR4A1-3 proteins ex vivo and without stimulation. Sorted tonsillar precursor-like MZ B-cells exerted regulatory activity on autologous activated CD4+ T-cells, and this was affected by a CD83 blocking reagent. We believe these observations shed light on the Breg potential of MZ populations, and identify NR4A1-3 as potential Breg markers, which as for Tregs, may be involved in stabilization of a regulatory status. Since expression and activity of these molecules can be modulated therapeutically, our findings may be useful in strategies aiming at modulation of Breg responses.
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) | 0,000 | 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) | 0,001 | 0,001 |
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.
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 ».