Deep profiling of single T cell receptor repertoire and phenotype with targeted RNA-seq (TECH2P.927)
Notice bibliographique
Résumé
Abstract Analysis of TCR repertoires is useful for monitoring T cell responses. Integrating TCR sequencing with expression of targeted genes at the single cell level allows comprehensive analysis of T cell function and specificity. RT-PCR reactions of single T cells were performed using 76 primers from VJC regions and 136 primers for targeted T cell genes. A series of nested PCR reactions incorporated with barcodes and adapters for pooled amplicons sequencing. A bioinformatics pipeline was used data analysis. 2880 single T cells were collected and tested. TCR sequences were obtained in up to 90% of the wells. Based on the CDR3 region, multiple dominant TCR clones were identified. 52 of 68 target genes were validated with sorted target-specific T cells. FOXP3, IL10, PRF1, IL13, and RUNX3 were highly expressed in memory activated cells. The specific CD8+ T cells had high frequency of CCR9, LAG3, CD8, CD62L, and IFNG expression. TGFB, TNFA, IL12, FOXP3, PD1, TBET, CTLA4, MKI67, RUNX1, and GATA3 were major biomarkers in the specific CD4 cells. The gene expression patterns were often associated with TCR repertoire CDR3 variations and/or the TCRβ and TCRα chain usage although the same TCRα/β sequences may have different target genes expressed. We expanded a method enabling sequencing of TCR repertoire and multiple functional genes in single, sorted, T cells through targeted RNA-seq technology. This approach could reveal important insights into T cell functions and clonal development.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,004 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».