Autoreactive napsin A–specific T cells are enriched in lung tumors and inflammatory lung lesions during immune checkpoint blockade
Notice bibliographique
Résumé
Cancer treatment with immune checkpoint blockade (ICB) often induces immune-related adverse events (irAEs). We hypothesized that proteins coexpressed in tumors and normal cells could be antigenic targets in irAEs and herein described DITAS (discovery of tumor-associated self-antigens) for their identification. DITAS computed transcriptional similarity between lung tumors and healthy lung tissue based on single-sample gene set enrichment analysis. This identified 10 lung tissue–specific genes highly expressed in the lung tumors. Computational analysis was combined with functional T cell assays and single-cell RNA sequencing of the antigen-specific T cells to validate the lung tumor self-antigens. In patients with non–small cell lung cancer (NSCLC) treated with ICB, napsin A was a self-antigen that elicited strong CD8 + T cell responses, with ICB responders harboring higher frequencies of these CD8 + T cells compared with nonresponders. Human leukocyte antigen (HLA) class I ligands derived from napsin A were present in human lung tumors and in nontumor lung tissues, and napsin A tetramers confirmed the presence of napsin A–specific CD8 + T cells in blood and tumors of patients with NSCLC. Napsin A–specific T cell clonotypes were enriched in lung tumors and ICB-induced inflammatory lung lesions and could kill immortalized HLA-matched NSCLC cells ex vivo. Single-cell RNA sequencing revealed that these T cell clonotypes expressed proinflammatory cytokines and cytotoxic markers. Thus, DITAS successfully identified self-antigens, including napsin A, that likely mediate effective antitumor T cell responses in NSCLC and may simultaneously underpin lung irAEs.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».