Pulmonary Surfactant Protein-Hitchhiking Inhalable Vaccines Augment Mucosal and Systemic Antiviral Immunity
Notice bibliographique
Résumé
Mucosal immunity is vital to provide effective protection against respiratory virus infections. However, the effective delivery of vaccine antigen to the respiratory mucosa is challenging because of the natural mucosal barrier. Here, we describe an approach exploiting the natural pulmonary surfactant (PS)-associated protein as a chaperone for transportation across the pulmonary mucosal barrier to enhance the lung resident memory T (T RM ) cells, long-lived antibody response, and secretory immunoglobulin A (SIgA) generation via vaccination. Pulmonary immunization with an inhalable albumin-templated Mn nanoadjuvant (iMnNA)-formulated mucosal vaccine (MnVac) candidate promoted the in situ, local PS protein corona formation on iMnNA through binding to the albumin, thereby increasing the vaccine accumulation in pulmonary parenchyma and the antigen uptake by antigen-presenting cells (APCs). When formulated with a SARS-CoV-2 receptor-binding domain (RBD) dimer, this inhalable RBD-MnVac induced at least 3-fold higher and persistent (up to ∼240 days) RBD-specific antibody responses and higher frequencies in long-lived plasma cells (LLPC) in the bone marrow even at half antigen dose of the intramuscular immunization. The MnVac enhanced the systemic and local mucosal immune responses through activation of the stimulator of interferon genes (STING) pathway in the lung. Additionally, the heterosubtypic RBD dimer and influenza subunit MnVac extended the breadth of the protective antibody response against a number of viral variants. Overall, these findings support the use of iMnNA as a promising mucosal adjuvant candidate for fighting respiratory infectious diseases and future pandemics.
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 | 0,000 |
| 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 ».