Understanding repertoire sequencing data through a multiscale computational model of the germinal center
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Sequencing of B-cell and T-cell immune receptor repertoires helps us to understand the adaptive immune response, although it only provides information about the clonotypes (lineages) and their frequencies and not about, for example, their affinity or antigen (Ag) specificity. To further characterize the identified clones, usually with special attention to the particularly abundant ones (dominant), additional time-consuming or expensive experiments are generally required. Here, we present an extension of a multiscale model of the germinal center (GC) that we previously developed to gain more insight in B-cell repertoires. We compare the extent that these simulated repertoires deviate from experimental repertoires established from single GCs, blood, or tissue. Our simulations show that there is a limited correlation between clonal abundance and affinity and that there is large affinity variability among same-ancestor (same-clone) subclones. Our simulations suggest that low-abundance clones and subclones, might also be of interest since they may have high affinity for the Ag. We show that the fraction of plasma cells (PCs) with high B-cell receptor (BcR) mRNA content in the GC does not significantly affect the number of dominant clones derived from single GCs by sequencing BcR mRNAs. Results from these simulations guide data interpretation and the design of follow-up experiments.
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.
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 | 0,001 | 0,001 |
| 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 découle