Spatially mapping the immune landscape of melanoma using imaging mass cytometry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Melanoma is an immunogenic cancer with a high response rate to immune checkpoint inhibitors (ICIs). It harbors a high mutation burden compared with other cancers and, as a result, has abundant tumor-infiltrating lymphocytes (TILs) within its microenvironment. However, understanding the complex interplay between the stroma, tumor cells, and distinct TIL subsets remains a substantial challenge in immune oncology. To properly study this interplay, quantifying spatial relationships of multiple cell types within the tumor microenvironment is crucial. To address this, we used cytometry time-of-flight (CyTOF) imaging mass cytometry (IMC) to simultaneously quantify the expression of 35 protein markers, characterizing the microenvironment of 5 benign nevi and 67 melanomas. We profiled more than 220,000 individual cells to identify melanoma, lymphocyte subsets, macrophage/monocyte, and stromal cell populations, allowing for in-depth spatial quantification of the melanoma microenvironment. We found that within pretreatment melanomas, the abundance of proliferating antigen-experienced cytotoxic T cells (CD8 + CD45RO + Ki67 + ) and the proximity of antigen-experienced cytotoxic T cells to melanoma cells were associated with positive response to ICIs. Our study highlights the potential of multiplexed single-cell technology to quantify spatial cell-cell interactions within the tumor microenvironment to understand immune therapy responses.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle