IL-1 and IL-33 differentially regulate the functional specialization of mucosal Foxp3+ regulatory T cells.
Notice bibliographique
Résumé
Abstract CD4+ regulatory T (TREG) cells are critical mediators of peripheral immune tolerance and homeostasis, and express the forkhead box p3 (Foxp3) transcription factor, the master-regulator driving the programming of the TREG cell suppressive phenotype. TREG cells are abundant at mucosal surfaces, where they acquire tissue-specific adaptations. The biological consequences of these adaptations on the stability of thymic-derived TREG (tTreg) cells remain largely unknown. To determine the signals that drive the fate of TREG cells, we isolated and compared stable from unstable TREG cells using a TREG transfer model where we previously observed the functional reprogramming of Foxp3+ TREG cells into Th1/Th17 effector T cells. We identified the expression of the IL-33 receptor (IL-33R, ST2) on stable tTREG cells and the IL-1 receptor (IL1R1) on unstable exTREG cells undergoing functional reprogramming. We show that both TREG cell populations represent competing subsets in inflammatory conditions. This is further underlined by the fact that the absence of IL1R1 expression (IL1R1−/−) leads to the accumulation of ST2+ TREG cells at mucosal sites in vivo. In two distinct lung infection models, we demonstrate that ST2-expressing TREG cells express GATA3 and resist production of inflammatory cytokines, whereas IL1R1-expressing TREG cells express RORγT and lose Foxp3 expression in vivo. While IL-1 signaling impairs TREG cell suppressive function, ST2 is required for the maintenance of the lineage identity and suppressive function of TREG cells. These observations demonstrate that IL-1 and IL-33 produced during immune challenge exert distinct roles on the functional adaptation of Foxp3+ tTREG cells at mucosal surfaces.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».