SARS-CoV-2 host-shutoff impacts innate NK cell functions, but antibody-dependent NK activity is strongly activated through non-spike antibodies
Notice bibliographique
Résumé
The outcome of infection is dependent on the ability of viruses to manipulate the infected cell to evade immunity, and the ability of the immune response to overcome this evasion. Understanding this process is key to understanding pathogenesis, genetic risk factors, and both natural and vaccine-induced immunity. SARS-CoV-2 antagonises the innate interferon response, but whether it manipulates innate cellular immunity is unclear. An unbiased proteomic analysis determined how cell surface protein expression is altered on SARS-CoV-2-infected lung epithelial cells, showing downregulation of activating NK ligands B7-H6, MICA, ULBP2, and Nectin1, with minimal effects on MHC-I. This occurred at the level of protein synthesis, could be mediated by Nsp1 and Nsp14, and correlated with a reduction in NK cell activation. This identifies a novel mechanism by which SARS-CoV-2 host-shutoff antagonises innate immunity. Later in the disease process, strong antibody-dependent NK cell activation (ADNKA) developed. These responses were sustained for at least 6 months in most patients, and led to high levels of pro-inflammatory cytokine production. Depletion of spike-specific antibodies confirmed their dominant role in neutralisation, but these antibodies played only a minor role in ADNKA compared to antibodies to other proteins, including ORF3a, Membrane, and Nucleocapsid. In contrast, ADNKA induced following vaccination was focussed solely on spike, was weaker than ADNKA following natural infection, and was not boosted by the second dose. These insights have important implications for understanding disease progression, vaccine efficacy, and vaccine design.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».