Single-cell spatial analysis of tumor immune architecture in diffuse large B cell lymphoma
Notice bibliographique
Résumé
ABSTRACT Multiplexed immune cell profiling of the tumor microenvironment (TME) in cancer has improved our understanding of cancer immunology, but complex spatial analyses of tumor-immune interactions in lymphoma are lacking. Here we used imaging mass cytometry (IMC) on 33 cases of diffuse large B cell lymphoma (DLBCL) to characterize tumor and immune cell architecture and correlate it to clinicopathological features such as cell of origin, gene mutations, and responsiveness to chemotherapy. To understand the poor response of DLBCL to immune check point inhibitors (ICI), we compared our results to IMC data from Hodgkin lymphoma (HL), a cancer highly responsive to ICI, and observed differences in the expression of PD-L1, PD-1, and TIM-3. We created a spatial classification of tumor cells and identified sub-regions of immune activation, immune suppression, and immune exclusion within the topology of DLBCL. Finally, the spatial analysis allowed us to identify markers such as CXCR3, which are associated with penetration of immune cells into immune desert regions, with important implications for engineered cellular therapies. SIGNIFICANCE This is the first study to integrate tumor mutational profiling, cell of origin classification, and multiplexed immuno-phenotyping of the TME into a spatial analysis of DLBCL at the single cell level. We demonstrate that, far from being histo-pathologically monotonous, DLBCL has a complex tumor architecture, and that changes in tumor topology can be correlated with clinically relevant features. This analysis identifies candidate biomarkers and therapeutic targets such as TIM-3, CCR4, and CXCR3 that are relevant for combination treatment strategies in immuno-oncology and cellular therapies such as CAR-T cells.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».