Lyoplate-based multiparameter flow cytometry for the analysis of T cell subsets in human immuno-monitoring studies
Notice bibliographique
Résumé
In recent years immuno-monitoring studies are becoming increasingly popular due to the relevant role the immune system plays in many pathologies and in treatment responses. Human translational research is hampered by limited amounts of samples, intrinsic human variability and practical issues involving multi-centre sample collection and analysis. Therefore, human immuno-monitoring studies need to be standardized. Multicolour flow cytometry (MFC) provides a powerful tool to unravel the complexity of the immune system. However standardization of this technique is still in progress, due to differences in sample quality, reagents, antibodies and fluorchromes used, as well as instrument settings. Part of this variability could be overcome by using lyophilized reagents in a 96 well plate format for cell stimulation and staining. In this pilot study we assess how lyoplate based-MFC performs compared to traditional liquid reagent-based MFC, mirroring larger human immuno-monitoring cohorts. Peripheral blood mononuclear cells were collected from healthy volunteers at two time points. Frozen samples were thawed, stimulated and stained using either liquid or lyophilized reagents. The 10 colour flow cytometry antibody cocktail used allowed the analysis of different T cell subsets (CD8 T cells, Th cells and Treg cells) and their cytokine production (IFNγ, IL17A, IL10). Quantitative and qualitative differences between liquid and lyophilized reagents were evaluated, as well as intra- and inter-assay variability. Data from this study will assess the feasibility of standardized and high-throughput immuno-monitoring studies to discover pathology associated signatures and biomarkers predictive of therapy response.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».