Regulation of neuroinflammation by B cells and plasma cells
Notice bibliographique
Résumé
Abstract The remarkable success of anti‐CD20 B cell depletion therapies in reducing the burden of multiple sclerosis (MS) disease has prompted significant interest in how B cells contribute to neuroinflammation. Most focus has been on identifying pathogenic CD20 + B cells. However, an increasing number of studies have also identified regulatory functions of B lineage cells, particularly the production of IL‐10, as being associated with disease remission in anti‐CD20–treated MS patients. Moreover, IL‐10–producing B cells have been linked to the attenuation of inflammation in experimental autoimmune encephalomyelitis (EAE), the animal model of MS. In addition to IL‐10–producing B cells, antibody‐producing plasma cells (PCs) have also been implicated in suppressing neuroinflammation. This review will examine regulatory roles for B cells and PCs in MS and EAE. In addition, we speculate on the involvement of regulatory PCs and the cytokine BAFF in the context of anti‐CD20 treatment. Lastly, we explore how the microbiota could influence anti‐inflammatory B cell behavior. A better understanding of the contributions of different B cell subsets to the regulation of neuroinflammation, and factors that impact the development, maintenance, and migration of such subsets, will be important for rationalizing next‐generation B cell–directed therapies for the treatment of MS.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; 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 ».