Characteristics of TCR Repertoire Associated With Successful Immune Checkpoint Therapy Responses
Notice bibliographique
Résumé
Immunotherapies have revolutionized cancer treatment. In particular, immune checkpoint therapy (ICT) leads to durable responses in some patients with some cancers. However, the majority of treated patients do not respond. Understanding immune mechanisms that underlie responsiveness to ICT will help identify predictive biomarkers of response and develop treatments to convert non-responding patients to responding ones. ICT primarily acts at the level of adaptive immunity. The specificity of adaptive immune cells, such as T and B cells, is determined by antigen-specific receptors. T cell repertoires can be comprehensively profiled by high-throughput sequencing at the bulk and single-cell level. T cell receptor (TCR) sequencing allows for sensitive tracking of dynamic changes in antigen-specific T cells at the clonal level, giving unprecedented insight into the mechanisms by which ICT alters T cell responses. Here, we review how the repertoire influences response to ICT and conversely how ICT affects repertoire diversity. We will also explore how changes to the repertoire in different anatomical locations can better correlate and perhaps predict treatment outcome. We discuss the advantages and limitations of current metrics used to characterize and represent TCR repertoire diversity. Discovery of predictive biomarkers could lie in novel analysis approaches, such as network analysis of amino acids similarities between TCR sequences. Single-cell sequencing is a breakthrough technology that can link phenotype with specificity, identifying T cell clones that are crucial for successful ICT. The field of immuno-sequencing is rapidly developing and cross-disciplinary efforts are required to maximize the analysis, application, and validation of sequencing data. Unravelling the dynamic behavior of the TCR repertoire during ICT will be highly valuable for tracking and understanding anti-tumor immunity, biomarker discovery, and ultimately for the development of novel strategies to improve patient outcomes.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,002 | 0,001 |
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 ».