Enhancers of host immune tolerance to bacterial infection discovered using linked computational and experimental approaches
Notice bibliographique
Résumé
Abstract Current therapeutic strategies against bacterial infections focus on reduction of pathogen load through antibiotics; however, stimulation of host tolerance to infection might offer an alternative approach. Here we used computational transcriptomics and a Xenopus embryo infection model to rapidly discover infection response pathways, identify potential tolerance inducer drugs, and validate their ability to induce broad tolerance. Xenopus embryos exhibit natural tolerance to A. baumanii, K. pneumoniae, S. aureus , and S. pneumoniae bacteria, whereas A. hydrophila and P. aeruginosa produce infection that leads to death. Transcriptional profiling led to definition of a 20-gene signature that allows for discrimination between tolerant and susceptible states, as well as identification of active and passive tolerance responses based on the degree of engagement of gene transcription modulation. Upregulation of metal ion transport and hypoxia pathways reminiscent of responses observed in primate and mouse infection models were identified as tolerance mediators, and drug screening in the susceptible A. hydrophila infection model confirmed that a metal chelator (deferoxamine) and HIF-1α agonist (1,4-DPCA) increase embryo survival despite high pathogen load. These data demonstrate the value of combining the Xenopus embryo infection model with multi-omics analyses for mechanistic discovery and drug repurposing to induce host tolerance to bacterial infection.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».