Differential abundance of mDC subsets predict response to Hepatitis B vaccination
Notice bibliographique
Résumé
Abstract Vaccination as a strategy for the prevention of infectious disease has been one of the greatest success stories in modern medicine, resulting in the complete eradication of smallpox, the near eradication of polio, and the drastic lowering in the incidences of measles, mumps, influenza and other common diseases. In contrast to these remarkable successes, recent failures in the development of effective vaccines against other major public health threats, including HIV, TB and malaria have highlighted the limitations to the current approach of empirical vaccine design and the need to better understand the basic principles of how to recognize and elicit immune responses that generate effective and durable protective immunity. Single cell transcriptional profiling by RNA sequencing (scRNAseq) is a powerful tool for exploring the phenotypic diversity of cell populations present in peripheral blood and other tissue specimens in an unbiased fashion. We applied scRNAseq to FACS sorted blood samples collected from participants before and after challenge with the licensed Hepatitis B vaccine, and identified several innate cell subtypes using unbiased clustering analysis. Marker genes specific for each cell subtype were identified using random forest machine learning for use in qPCR. Our results suggest that the relative levels of myeloid dendritic cells (mDCs) specifically expressing the N-myc target gene, NDRG2, prior to vaccination predict serum antibody responses to the HepB vaccine.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,002 | 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 ».