Low-Density Neutrophils Contribute to Subclinical Inflammation in Patients with Type 2 Diabetes
Notice bibliographique
Résumé
Type 2 diabetes (T2D) is characterized by low-grade inflammation. Low-density neutrophils (LDNs) represent normally less than 2% of total neutrophils but increase in multiple pathologies, releasing inflammatory cytokines and neutrophil extracellular traps (NETs). We assessed the count and role of high-density neutrophils (HDNs), LDNs, and NET-related activities in patients with T2D. HDNs and LDNs were purified by fluorescence-activated cell sorting (FACS) and counted by flow cytometry. Circulating inflammatory and NETs biomarkers were measured by ELISA (Enzyme Linked Immunosorbent Assay). NET formation was quantified by confocal microscopy. Neutrophil adhesion onto a human extracellular matrix (hECM) was assessed by optical microscopy. We recruited 22 healthy volunteers (HVs) and 18 patients with T2D. LDN counts in patients with diabetes were significantly higher (160%), along with circulating NETs biomarkers (citrullinated H3 histone (H3Cit), myeloperoxidase (MPO), and MPO-DNA (137%, 175%, and 69%, respectively) versus HV. Circulating interleukins (IL-6 and IL-8) and C-Reactive Protein (CRP) were significantly increased by 117%, 171%, and 79%, respectively, in patients compared to HVs. Isolated LDNs from patients expressed more H3Cit, MPO, and NETs, formed more NETs, and adhered more on hECM compared to LDNs from HVs. Patients with T2D present higher levels of circulating LDN- and NET-related biomarkers and associated pro-inflammatory activities.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».