Repeated LPS induces training and tolerance of microglial responses across brain regions
Notice bibliographique
Résumé
BACKGROUND: Neuroinflammation is involved in the pathogenesis of almost every central nervous system disorder. As the brain's innate immune cells, microglia fine tune their activity to a dynamic brain environment. Previous studies have shown that repeated bouts of peripheral inflammation can trigger long-term changes in microglial gene expression and function, a form of innate immune memory. METHODS AND RESULTS: In this study, we used multiple low-dose lipopolysaccharide (LPS) injections in adult mice to study the acute cytokine, transcriptomic, and microglia morphological changes that contribute to the formation of immune memory in the frontal cortex, hippocampus, and striatum, as well as the long-term effects of these changes on behavior. Training and tolerance of gene expression was shared across regions, and we identified 3 unique clusters of DEGs (2xLPS-sensitive, 4xLPS-sensitive, LPS-decreased) enriched for different biological functions. 2xLPS-sensitive DEG promoters were enriched for binding sites for IRF and NFkB family transcription factors, two key regulators of innate immune memory. We quantified shifts in microglia morphological populations and found that while the proportion of ramified and rod-like microglia mostly remained consistent within brain regions and sexes with LPS treatment, there was a shift from ameboid towards hypertrophic morphological states across immune memory states and a dynamic emergence and resolution of events of microglia aligning end-to-end with repeated LPS. CONCLUSIONS: Together, findings support the dynamic regulation of microglia during the formation of immune memories in the brain and support future work to exploit this model in brain disease contexts.
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 | 0,002 |
| 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 | 0,001 |
| 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 ».