Bibliographic record
Abstract
Evidências recentes demonstraram as propriedades únicas do sistema imunológico inato, conhecidas como memória imunológica inata, preparação imunológica ou imunidade treinada.Essas propriedades foram descritas como a capacidade do sistema imunológico inato de aprender com experiências microbianas anteriores, o que melhora a sobrevivência após infecção subsequente.Nesta revisão, apresentamos o estado do conhecimento sobre imunidade treinada em invertebrados e fornecemos uma visão geral abrangente dessas capacidades em moluscos marinhos cultivados, que atualmente estão ameaçados por doenças recorrentes.Estudos mostraram que a exposição à microbiota ambiental, patógenos ou elementos derivados pode fornecer uma resposta mais forte e proteção contra infecções futuras.Esses estudos destacam características comuns e distintas de proteção, mecanismos, especificidade e duração que variam com marcadores imunológicos e métodos de estimulação.Embora a base celular e molecular dessas respostas seja apenas parcialmente compreendida, efeitos sobre fagocitose, populações de hemócitos, apoptose, estresse oxidativo e expressão gênica imunológica foram sugeridos.Finalmente, propomos uma estrutura para pesquisas futuras para ir além das evidências atuais e abordar potenciais limitações na implementação de estratégias baseadas em imunidade treinada para controlar doenças.O treinamento imunológico pode fornecer uma oportunidade única para promover o desenvolvimento sustentável da aquicultura de moluscos marinhos.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.007 | 0.010 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.430 | 0.148 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".