Low Percentage of Perforin-Expressing NK Cells during Severe SARS-CoV-2 Infection: Consumption Rather than Primary Deficiency
Notice bibliographique
Résumé
Genetic defects in the ability to deliver effective perforin have been reported in patients with hemophagocytic lymphohistiocytosis. We tested the hypothesis that a primary perforin deficiency might also be causal in severe SARS-CoV-2 infection. We recruited 54 volunteers confirmed as being SARS-CoV-2-infected by RT-PCR and admitted to intensive care units or non-intensive care units and age- and sex-matched healthy controls. Compared with healthy controls, the percentage of perforin-expressing CD3-CD56+ NK cells quantified by flow cytometry was low in COVID-19 patients (69.9 ± 17.7 versus 78.6 ± 14.6%, p = 0.026). There was no correlation between the proportions of perforin-positive NK cells and T8 lymphocytes. Moreover, the frequency of NK cells producing perforin was neither linked to disease severity nor predictive of death. Although IL-6 is known to downregulate perforin production in NK cells, we did not find any link between perforin expression and IL-6 plasma level. However, we unveiled a negative correlation between the degranulation marker CD107a and perforin expression in NK cells (r = -0.488, p = 10-4). PRF1 gene expression and the frequency of NK cells harboring perforin were normal in patients 1 y after acute SARS-CoV-2 infection. A primary perforin defect does not seem to be a driver of COVID-19 because NK perforin expression is 1) linked neither to T8 perforin expression nor to disease severity, 2) inversely correlated with NK degranulation, and 3) normalized at distance from acute infection. Thus, the cause of low frequency of perforin-positive NK cells appears, rather, to be consumption.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».