Type I interferon transcriptional network regulates expression of coinhibitory receptors in human T cells
Notice bibliographique
Résumé
Abstract While inhibition of T cell co-inhibitory receptors has revolutionized cancer therapy, the mechanisms governing their expression on human T cells have not been elucidated. Type 1 interferon (IFN-I) modulates T cell immunity in viral infection, autoimmunity, and cancer, and may facilitate induction of T cell exhaustion in chronic viral infection. Here we show that IFN-I regulates co-inhibitory receptor expression on human T cells, inducing PD-1/TIM-3/LAG-3 while surprisingly inhibiting TIGIT expression. High-temporal-resolution mRNA profiling of IFN-I responses enabled the construction of dynamic transcriptional regulatory networks uncovering three temporal transcriptional waves. Perturbation of key transcription factors on human primary T cells revealed unique regulators that control expression of co-inhibitory receptors. We found that the dynamic IFN-I response in vitro closely mirrored T cell features with IFN-I linked acute SARS-CoV-2 infection in human, with high LAG3 and decreased TIGIT expression. Finally, our gene regulatory network identified SP140 as a key regulator for differential LAG3 and TIGIT expression, which were validated at the level of protein expression. The construction of IFN-I regulatory networks with identification of unique transcription factors controlling co-inhibitory receptor expression may provide targets for enhancement of immunotherapy in cancer, infectious diseases, and autoimmunity.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».