Neoepitopes in Type 1 Diabetes: Etiological Insights, Biomarkers and Therapeutic Targets
Notice bibliographique
Résumé
The mechanisms underlying type 1 diabetes (T1D) pathogenesis remain largely unknown. While autoantibodies to pancreatic beta-cell antigens are often the first biological response and thereby a useful biomarker for identifying individuals in early stages of T1D, their role in T1D pathogenesis is not well understood. Recognition of these antigenic targets by autoreactive T-cells plays a pathological role in T1D development. Recently, several beta-cell neoantigens have been described, indicating that both neoantigens and known T1D antigens escape central or peripheral tolerance. Several questions regarding the mechanisms by which tolerance is broken in T1D remain unanswered. Further delineating the timing and nature of antigenic responses could allow their use as biomarkers to improve staging, as targets for therapeutic intervention, and lead to a better understanding of the mechanisms leading to loss of tolerance. Multiple factors that contribute to cellular stress may result in the generation of beta-cell derived neoepitopes and contribute to autoimmunity. Understanding the cellular mechanisms that induce beta-cells to produce neoantigens has direct implications on development of therapies to intercept T1D disease progression. In this perspective, we will discuss evidence for the role of neoantigens in the pathogenesis of T1D, including antigenic responses and cellular mechanisms. We will additionally discuss the pathways leading to neoepitope formation and the cross talk between the immune system and the beta-cells in this regard. Ultimately, delineating the timing of neoepitope generation in T1D pathogenesis will determine their role as biomarkers as well as therapeutic targets.
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) | 0,000 | 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 ».