Flattening the COVID-19 Curve With Natural Killer Cell Based Immunotherapies
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Natural Killer (NK) cells are innate immune responders critical for viral clearance and immunomodulation. Despite their vital role in viral infection, the contribution of NK cells in fighting SARS-CoV-2 has not yet been directly investigated. Insights into pathophysiology and therapeutic opportunities can therefore be inferred from studies assessing NK cell phenotype and function during SARS, MERS, and COVID-19. These studies suggest a reduction in circulating NK cell numbers and/or an exhausted phenotype following infection and hint toward the dampening of NK cell responses by coronaviruses. Reduced circulating NK cell levels and exhaustion may be directly responsible for the progression and severity of COVID-19. Conversely, in light of data linking inflammation with coronavirus disease severity, it is necessary to examine NK cell potential in mediating immunopathology. A common feature of coronavirus infections is that significant morbidity and mortality is associated with lung injury and acute respiratory distress syndrome resulting from an exaggerated immune response, of which NK cells are an important component. In this review, we summarize the current understanding of how NK cells respond in both early and late coronavirus infections, and the implication for ongoing COVID-19 clinical trials. Using this immunological lens, we outline recommendations for therapeutic strategies against COVID-19 in clearing the virus while preventing the harm of immunopathological 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.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 découle