SARS-CoV-2 suppresses TLR4-induced immunity by dendritic cells via C-type lectin receptor DC-SIGN
Notice bibliographique
Résumé
SARS-CoV-2 causes COVID-19, an infectious disease with symptoms ranging from a mild cold to severe pneumonia, inflammation, and even death. Although strong inflammatory responses are a major factor in causing morbidity and mortality, superinfections with bacteria during severe COVID-19 often cause pneumonia, bacteremia and sepsis. Aberrant immune responses might underlie increased sensitivity to bacteria during COVID-19 but the mechanisms remain unclear. Here we investigated whether SARS-CoV-2 directly suppresses immune responses to bacteria. We studied the functionality of human dendritic cells (DCs) towards a variety of bacterial triggers after exposure to SARS-CoV-2 Spike (S) protein and SARS-CoV-2 primary isolate (hCoV-19/Italy). Notably, pre-exposure of DCs to either SARS-CoV-2 S protein or a SARS-CoV-2 isolate led to reduced type I interferon (IFN) and cytokine responses in response to Toll-like receptor (TLR)4 agonist lipopolysaccharide (LPS), whereas other TLR agonists were not affected. SARS-CoV-2 S protein interacted with the C-type lectin receptor DC-SIGN and, notably, blocking DC-SIGN with antibodies restored type I IFN and cytokine responses to LPS. Moreover, blocking the kinase Raf-1 by a small molecule inhibitor restored immune responses to LPS. These results suggest that SARS-CoV-2 modulates DC function upon TLR4 triggering via DC-SIGN-induced Raf-1 pathway. These data imply that SARS-CoV-2 actively suppresses DC function via DC-SIGN, which might account for the higher mortality rates observed in patients with COVID-19 and bacterial superinfections.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,005 |
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 ».