Detection of bacteria through taste receptors primes the cellular immune response
Notice bibliographique
Résumé
Abstract Animals use their sensory system to detect cues in their external environment, then communicate, process, and integrate these cues through the nervous system in order to elicit a specific response. Taste is an important cue used by animals to explore their external environment and can modulate various aspects of animal behavior and physiology. A major ongoing challenge for animals is to detect and respond to the presence of a variety of microbes in their environment. However, to date, the links between the sensory system and the response to pathogenic threats remain poorly understood. Here we show that Drosophila melanogaster larvae use their taste system to detect bacterial peptidoglycans in their environment and respond by modulating the activity of their cellular immune system. We show that specific PeptidoGlycan Receptor Proteins (PGRPs) act in aversive taste neurons, via a non-canonical Immune Deficiency (Imd) pathway. These PGRPs mediate signaling in taste neurons and control immune cells production in the larval hematopoietic organ, the lymph gland. Taste-mediated sensing of bacteria in larvae primes the immune system, and improves survival after infection in adult flies. These results demonstrate that sensory inputs such as taste play an important role in protecting animals from bacterial infection by providing a powerful adaptive response to potential pathogens. Overall, our findings add to the growing list of examples of crosstalk between the nervous and immune systems and provide novel and important mechanisms for linking them. One Sentence Summary Najera Mazariegos et al. demonstrate that organisms can use taste to monitor their environment for potential immune challenges and activate their immune system if they detect bacteria.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».