Cytokine and chemokine map of peripheral specific immune cell subsets in Parkinson’s disease
Notice bibliographique
Résumé
Abstract Peripheral immune cells play a vital role in the development of Parkinson’s disease (PD). However, their cytokine and chemokine secretion functions remain unclear. Therefore, we aimed to explore the cytokine and chemokine secretion functions of specific immune cell subtypes in drug-naïve patients with PD at different ages of onset. We included 10 early-onset and 10 late-onset patients with PD and age-matched healthy controls (HCs). We used mass cytometry to select specific immune cell subsets and evaluate intracellular cytokine and chemokine expression. Statistical tests included t -tests, analysis of variance, bivariate correlation analysis, and linear regression analysis. Compared with HCs, patients with PD exhibited significantly decreased intracellular pro-inflammatory cytokines and chemokines in selected clusters (e.g., tumor necrosis factor (TNF)-α, interleukin (IL)−8, IL-1β, and CC-chemokine ligand (CCL)17). Specific cytokines and cell clusters were associated with clinical symptoms. TNF-α played an important role in cognitive impairment. Intracellular TNF-α levels in the naïve CD8 + T-cell cluster C16 (CD57 − naïve CD8 + T) and natural killer (NK) cell cluster C32 (CD57 − CD28 − NK) were negatively correlated with Montreal Cognitive Assessment scores. The C16 cluster affected cognitive function and motor symptoms. Increased TNF-α and decreased interferon-γ expression in C16 correlated with increased Unified Parkinson’s Disease Rating Scale III scores in patients with PD. In summary, we developed a more detailed cytokine and chemokine map of peripheral specific CD8 + T cell and NK cell subsets, which revealed disrupted secretory function in patients with PD and provided unique clues for further mechanistic exploration.
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 | 0,001 |
| 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 ».