MétaCan
Menu
Retour à la cohorte
Enregistrement W4313372053 · doi:10.4049/jimmunol.204.supp.159.29

Immune monitoring for immuno-oncology applications

2020· article· en· W4313372053 sur OpenAlexaff
Pratip K. Chattopadhyay, Woodrow E. Lomas, Guo‐Jian Gao, Na Li, Suraj Saksena

Notice bibliographique

RevueThe Journal of Immunology · 2020
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueSingle-cell and spatial transcriptomics
Établissements canadiensYork University
Organismes subventionnairesnon disponible
Mots-clésStandardizationWorkflowConcordanceFlow cytometryComputer scienceComputational biologyRealization (probability)Immune systemImmunotherapyGold standard (test)Medical physicsBioinformaticsBiologyImmunologyMedicineInternal medicineMathematicsStatistics

Résumé

récupéré en direct d'OpenAlex

Abstract The immunotherapy revolution has spurred the development of many new drugs and drug regimens for patient treatment. A key challenge is to identify the factors that drive patient toxicities and responses to treatment, with a particularly acute need for predictive biomarkers that can discriminate patients destined to respond and fail treatment. Technologies to interrogate immune cells are now readily available, but important gaps remain in their application, which limit the full realization of the promise of precision oncology. High parameter flow cytometry is a gold-standard but is limited by difficulty of panel design and lack of standardization. We present Color Wheel, a panel design tool, which builds optimized antibody panels based on the user’s instrument. These optimized panels have been manufactured in a dried, ready to use format to drive workflow and assay standardization. Initial results demonstrate excellent concordance between the dried and liquid versions of the high parameter multicolor panel(s). Molecular cytometry represents an exciting new approach to high dimensional immune analysis because it can measure at least 102 proteins and 400 mRNA targets simultaneously per cell. An important application gap for this technology is lack of data indicating the sequencing depth needed for adequate resolution. Here, we present results from a molecular cytometry experiment sequenced deeply, and then bioinformatically sub-sampled at different levels to identify the minimum level of sequencing needed for clear identification of cells, which can serve as a reference guide for users to save time and cost in their experiments. We also present preliminary data generated using dried version of molecular cytometry panel(s).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,268
Écart entre enseignants0,243 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of ImmunologyMême sujetSingle-cell and spatial transcriptomicsTravaux en français237 207