Pre-treatment T-cell subsets associate with fingolimod treatment responsiveness in multiple sclerosis
Notice bibliographique
Résumé
Abstract Biomarkers predicting fingolimod (FTY) treatment response in relapsing-remitting multiple sclerosis (RRMS) are lacking. Here, we performed extensive functional immunophenotyping using multiparametric flow cytometry to examine peripheral immune changes under FTY treatment and explore biomarkers of FTY treatment response. From among 135 RRMS patients who initiated FTY in a 2-year multicentre observational study, 36 were classified as ‘Active’ or ‘Stable’ based on clinical and/or radiological activity on-treatment. Flow cytometric analysis of immune cell subsets was performed on pre- and on-treatment peripheral blood mononuclear cells (PBMC) samples. Decreased absolute counts of B cells and most T-cell subsets were seen on-treatment. Senescent CD8 + T cells, CD56 + T cells, CD56 dim natural killer cells, monocytes and dendritic cells were not reduced in number and hence relatively increased in frequency on-treatment. An unbiased multiparametric and traditional manual analysis of T-cell subsets suggested a higher pre-treatment frequency of CD4 + central memory T cells (TCM) in patients who were subsequently Active versus Stable on-treatment. Lower pre-treatment terminally differentiated effector memory (TEMRA) cell frequencies were also seen in the subsequently Active cohort. Together, our data highlight differential effects of FTY on peripheral immune cell subsets and suggest that pre-treatment T-cell subset frequencies may have value in predicting FTY treatment 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 | 0,000 | 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 ».