Coexpression of TIGIT and FCRL3 Identifies Helios+ Human Memory Regulatory T Cells
Notice bibliographique
Résumé
Two distinct subsets of CD4(+)Foxp3(+) regulatory T (Treg) cells have been described based on the differential expression of Helios, a transcription factor of the Ikaros family. Efforts to understand the origin and biological roles of these Treg populations in regulating immune responses have, however, been hindered by the lack of reliable surface markers to distinguish and isolate them for subsequent functional studies. Using a single-cell cloning strategy coupled with microarray analysis of different Treg functional subsets in humans, we identify the mRNA and protein expression of TIGIT and FCRL3 as a novel surface marker combination that distinguishes Helios(+)FOXP3(+) from Helios(-)FOXP3(+) memory cells. Unlike conventional markers that are modulated on conventional T cells upon activation, we show that the TIGIT/FCRL3 combination allows reliable identification of Helios(+) Treg cells even in highly activated conditions in vitro as well as in PBMCs of autoimmune patients. We also demonstrate that the Helios(-)FOXP3(+) Treg subpopulation harbors a larger proportion of nonsuppressive clones compared with the Helios(+)FOXP3(+) cell subset, which is highly enriched for suppressive clones. Moreover, we find that Helios(-) cells are exclusively responsible for the productions of the inflammatory cytokines IFN-γ, IL-2, and IL-17 in FOXP3(+) cells ex vivo, highlighting important functional differences between Helios(+) and Helios(-) Treg cells. Thus, we identify novel surface markers for the consistent identification and isolation of Helios(+) and Helios(-) memory Treg cells in health and disease, and we further reveal functional differences between these two populations. These new markers should facilitate further elucidation of the functional roles of Helios-based Treg heterogeneity.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».