Spatial analysis of cellular arrangement using quantitative, single-cell imaging of protein multiplexing
Notice bibliographique
Résumé
Single cell phenotyping using molecular or protein multiplexing techniques is gaining momentum, especially in the characterization of cancer and the tumor microenvironment. It has proven to be particularly useful in studying the extent of heterogeneity in cancer, and in the profiling of the immune environment to assess whether certain cell subsets could be predictive of treatment response. Using a sequential protein marker labelling system called Multiplex Immunofluorescence (MxIF, GE Research), we have developed quantitative image analysis and computational tools for phenotyping individual immune and cancer cells for various cancer types. The expressions of T cell markers CD3, CD8, macrophage markers CD68, immune checkpoint proteins PD-1 and PD-L1, together with proliferative marker (Ki67) and cancer-specific marker PCK (pan-Cytokeratin) were studied on single 4um sections of formalin-fixed, paraffinembedded (FFPE) ovarian cancer tissue sections. We explored the composition of immune phenotype using t-SNE and quantified cell densities and marker co-expression patterns using binary cell counting. In addition to phenotyping immune cell types, their spatial localizations were analyzed. Neighborhood analysis was conducted using co-occurrence matrices to determine the number of times that a particular cell type is proximal to one another. Cell-to-cell spatial relationship was assessed by quantifying the Euclidean distances between individual cell types. These tools are being applied to specimens from an immunotherapy clinical trial to evaluate the dynamic changes in immune phenotype during the course of immune blockade therapy.
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) | 0,000 | 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 | 0,000 |
| 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 ».