Transcriptome features of trained immunity in <i>Drosophila</i>
Notice bibliographique
Résumé
Summary Immune memory is an ability of organisms to potentiate immune responses at secondary infection. Current studies have revealed that innate immunity, as well as adaptive immunity, exhibits the memory character called “trained immunity”. Although it is suggested that epigenetic reprogramming plays important roles in trained immunity, its underlying mechanism is not fully understood, especially on the individual level. Here we established experimental systems for detecting trained immunity in Drosophila melanogaster . Namely, training infection with low-pathogenic bacteria enhanced the survival rate of the flies at subsequent challenge infection with high-pathogenic bacteria. We found that among low-pathogenic bacteria, Micrococcus luteus (Ml) and Salmonella typhimurium (St) mediated apparent training effects in fly, but seemed to act through different ways. Ml left training effects even after its removal from flies, while living St persisted inside flies for a long time. Our RNA-Seq analysis revealed that Ml-training enhanced the expression of immune-related genes during the challenge infection, but did not do so without challenge infection. In contrast, St-training maintained high expression of the immune-related genes with or without challenge. These results suggest that training effects with Ml and St were due to memory and persistence of immune responses, respectively. Furthermore, we searched the factor involved in Ml-training and identified a candidate, Ada2b, which is a component of the histone modification complex. We found that the Ada2b RNAi and mutant flies showed dampened enhancement of survival rates after Ml-training. These results suggest that Ada2b is involved in the Drosophila trained immunity.
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) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».