The functional diversity of tissue‐resident natural killer cells against infection
Notice bibliographique
Résumé
For decades, studies of natural killer (NK) cells have focused on those found in peripheral blood (PBNK cells) as the prototype for NK cell biology. Only recently have researchers begun to explore the diversity of tissue-resident NK (tr-NK) cells. While tr-NK cells were initially identified from mice parabiosis and intravascular staining experiments, they can also be identified by tissue retention markers such as CD69, CD103 and others. More importantly, tr-NK cells have distinct functions compared to PBNK cells. Within the liver, there are diverse subsets of tr-NK cells expressing different combinations of tissue-retention markers and transcription factors, the clinical relevance of which are still unclear. Functionally, liver tr-NK are primed with immediate responsiveness to infection and equipped with regulatory mechanisms to prevent liver damage. When decidual NK (dNK) cells were first discovered, they were mainly characterized by their reduced cytotoxicity and functions related to placental development. Recent studies, however, revealed different mechanisms by which dNK cells prevent uterine infections. The lungs are one of the most highly exposed sites for infection due to their role in oxygen exchange. Upon influenza infection, lung tr-NK cells can degranulate and produce more inflammatory cytokines than PBNK cells. Less understood are gut tr-NK cells which were recently characterized in infants and adults for their functional differences. In this mini-review, we aim to provide a brief overview of the most recent discoveries on how several tr-NK cells are implicated in the immune response against 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 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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».