Remodeling of T-cell mitochondrial metabolism to treat autoimmune diseases
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
T cells are key drivers of the pathogenesis of autoimmune diseases by producing cytokines, stimulating the generation of autoantibodies, and mediating tissue and cell damage. Distinct mitochondrial metabolic pathways govern the direction of T-cell differentiation and function and rely on specific nutrients and metabolic enzymes. Metabolic substrate uptake and mitochondrial metabolism form the foundational elements for T-cell activation, proliferation, differentiation, and effector function, contributing to the dynamic interplay between immunological signals and mitochondrial metabolism in coordinating adaptive immunity. Perturbations in substrate availability and enzyme activity may impair T-cell immunosuppressive function, fostering autoreactive responses and disrupting immune homeostasis, ultimately contributing to autoimmune disease pathogenesis. A growing body of studies has explored how metabolic processes regulate the function of diverse T-cell subsets in autoimmune diseases such as systemic lupus erythematosus (SLE), multiple sclerosis (MS), autoimmune hepatitis (AIH), inflammatory bowel disease (IBD), and psoriasis. This review describes the coordination of T-cell biology by mitochondrial metabolism, including the electron transport chain (ETC), oxidative phosphorylation, amino acid metabolism, fatty acid metabolism, and one‑carbon metabolism. This study elucidated the intricate crosstalk between mitochondrial metabolic programs, signal transduction pathways, and transcription factors. This review summarizes potential therapeutic targets for T-cell mitochondrial metabolism and signaling in autoimmune diseases, providing insights for future studies.
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.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,013 | 0,007 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,010 |
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 découle