Teasing Out the Interplay Between Natural Killer Cells and Nociceptor Neurons
Notice bibliographique
Résumé
Somatosensory neurons have evolved to detect noxious stimuli and activate defensive reflexes. By sharing means of communication, nociceptor neurons also tune host defenses by controlling the activity of the immune system. The communication between these systems is mostly adaptive, helping to protect homeostasis, it can also lead to, or promote, the onset of chronic diseases. Both systems co-evolved to allow for such local interaction, as found in primary and secondary lymphoid tissues and mucosa. Recent studies have demonstrated that nociceptors directly detect and respond to foreign antigens, immune cell-derived cytokines, and microbes. Nociceptor activation not only results in pain hypersensitivity and itching, but lowers the nociceptor firing threshold, leading to the local release of neuropeptides. The peptides that are produced by, and released from, the peripheral terminals of nociceptors can block the chemotaxis and polarization of lymphocytes, controlling the localization, duration, and type of inflammation. Recent evidence shows that sensory neurons interact with innate immune cells via cell-cell contact, for example, engaging group 2D (NKG2D) receptors on natural killer (NK) cells. Given that NK cells express the cognate receptors for various nociceptor-produced mediators, it is conceivable that nociceptors use neuropeptides to control the activity of NK cells. Here, we devise a co-culture method to study nociceptor neuron-NK cell interactions in a dish. Using this approach, we found that lumbar nociceptor neurons decrease NK cell cytokine expression. Overall, such a reductionist method could be useful to study how tumor-innervating neurons control the anticancer function of NK cells and how NK cells control the elimination of injured neurons.
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 ».