sciCSR infers B cell state transition and predicts class-switch recombination dynamics using single-cell transcriptomic data
Notice bibliographique
Résumé
Abstract Class-switch recombination (CSR) is an integral part of B cell maturation. Steady-state analyses of isotype distribution (e.g. B cell receptor [BCR] repertoire analysis of snapshots during an immune response) do not directly measure CSR dynamics, which is crucial in understanding how B cell maturation is regulated across time. We present sciCSR (pronounced ‘scissor’, single-cell inference of class switch recombination), a computational pipeline which analyses CSR events and dynamics of B cells from single-cell RNA-sequencing (scRNA-seq) experiments. sciCSR re-analyses transcriptomic sequence alignments to differentiate productive heavy-chain immunoglobulin transcripts from germline “sterile” transcripts. From a snapshot of B cell scRNA-seq data, a Markov state model is built by the pipeline to infer the dynamics and direction of CSR. Applying sciCSR on SARS-CoV-2 vaccination time-course scRNA-seq data, we observe that sciCSR predicts, using data from an earlier timepoint in the collected time-course, the isotype distribution of BCR repertoires of subsequent timepoints with high accuracy (cosine similarity ∼ 0.9). sciCSR also recapitulates CSR patterns in mouse models where B cell maturation was perturbed using gene knockouts. sciCSR infers cell state transitions using processes specific to B cells, identifies transitions which are often missed by conventional RNA velocity analyses, and can reveal insights into the regulation of CSR and the dynamics of B cell maturation during an immune response.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».