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 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 | 0,115 | 0,168 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 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 ».