Strategies for optimizing CITE-seq for human islets and other tissues
Notice bibliographique
Résumé
Defining the immunological landscape of human tissue is an important area of research, but challenges include the impact of tissue disaggregation on cell phenotypes and the low abundance of immune cells in many tissues. Here, we describe methods to troubleshoot and standardize Cellular Indexing of Transcriptomes and Epitopes by sequencing (CITE-seq) for studies involving enzymatic digestion of human tissue. We tested epitope susceptibility of 92 antibodies commonly used to differentiate immune lineages and cell states on human peripheral blood mononuclear cells following treatment with an enzymatic digestion cocktail used to isolate islets. We observed CD4, CD8a, CD25, CD27, CD120b, CCR4, CCR6, and PD1 display significant sensitivity to enzymatic treatment, effects that often could not be overcome with alternate antibodies. Comparison of flow cytometry-based CITE-seq antibody titrations and sequencing data supports that for the majority of antibodies, flow cytometry accurately predicts optimal antibody concentrations for CITE-seq. Comparison by CITE-seq of immune cells in enzymatically digested islet tissue and donor-matched spleen not treated with enzymes revealed little digestion-induced epitope cleavage, suggesting increased sensitivity of CITE-seq and/or that the islet structure may protect resident immune cells from enzymes. Within islets, CITE-seq identified immune cells difficult to identify by transcriptional signatures alone, such as distinct tissue-resident T cell subsets, mast cells, and innate lymphoid cells (ILCs). Collectively this study identifies strategies for the rational design and testing of CITE-seq antibodies for single-cell studies of immune cells within islets and other tissues.
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 ».