Evaluating T-cell cross-reactivity between tumors and immune-related adverse events with TCR sequencing: pitfalls in interpretations of functional relevance
Notice bibliographique
Résumé
T-cell receptor sequencing (TCRseq) enables tracking of T-cell clonotypes recognizing the same antigen over time and across biological compartments. TCRseq has been used to test if cross-reactive antitumor T cells are responsible for development of immune-related adverse events (irAEs) following immune checkpoint blockade. Prior studies have interpreted T-cell clones shared among the tumor and irAE as evidence supporting this, but interpretations of these findings are challenging, given the constraints of TCRseq. Here we capitalize on a rare opportunity to understand the impact of potential confounders, such as sample size, tissue compartment, and collection batch/timepoint, on the relative proportion of shared T-cell clones between an irAE and tumor specimens. TCRseq was performed on tumor-involved and -uninvolved tissues, including an irAE, that were obtained throughout disease progression and at the time of rapid autopsy from a patient with renal cell carcinoma treated with programmed death-1 (PD-1) blockade. Our analyses show significant effects of these confounders on our ability to understand T-cell receptor overlap, and we present mitigation strategies and study design recommendations to reduce these errors. Implementation of these strategies will enable more rigorous TCRseq-based studies of immune responses in human tissues, particularly as they relate to antitumor T-cell cross-reactivity in irAEs following checkpoint blockade.
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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».