MétaCan
Menu
Retour à la cohorte
Enregistrement W4375857178 · doi:10.1016/j.xpro.2023.102289

High-throughput interrogation of immune responses using the Human Immune Profiling Pipeline

2023· article· en· W4375857178 sur OpenAlexfundno aff
Guanning Wang, Olga Lyudovyk, Justin Kim, Ya-Hui Lin, Yuval Elhanati, Divij Mathew, E. John Wherry, Ramin S. Herati, Allison R. Greenplate, Benjamin D. Greenbaum, Santosha A. Vardhana, Alexander C. Huang

Notice bibliographique

RevueSTAR Protocols · 2023
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueSingle-cell and spatial transcriptomics
Établissements canadiensnon disponible
Organismes subventionnairesNational Center for Advancing Translational SciencesPerelman School of Medicine, University of PennsylvaniaNational Institutes of HealthTara Miller Melanoma FoundationUniversity of PennsylvaniaGeorgia Clinical and Translational Science AlliancePershing Square Sohn Cancer Research AllianceW. W. Smith Charitable TrustNew York UniversityParker Institute for Cancer ImmunotherapyDamon Runyon Cancer Research FoundationYork UniversityBristol-Myers SquibbNational Cancer InstituteInstitute for Translational Medicine and TherapeuticsConrad N. Hilton FoundationDoris Duke Charitable Foundation
Mots-clésProfiling (computer programming)Immune systemImmunotherapyMass cytometryComputer scienceCluster analysisComputational biologyClinical trialMedicineBioinformaticsImmunologyBiologyArtificial intelligencePhenotypeGene

Résumé

récupéré en direct d'OpenAlex

The current abundance of immunotherapy clinical trials presents an opportunity to learn about the underlying mechanisms and pharmacodynamic effects of novel drugs on the human immune system. Here, we present a protocol to study how these immune responses impact clinical outcomes using large-scale high-throughput immune profiling of clinical cohorts. We describe the Human Immune Profiling Pipeline, which comprises an end-to-end solution from flow cytometry results to computational approaches and unsupervised patient clustering based on lymphocyte landscape. For complete details on the use and execution of this protocol, please refer to Lyudovyk et al. (2022).1

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)0,002
score de la tête « metaresearch » (Gemma)0,002
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 enseignants0,008
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,007

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 Opus0,057
Tête enseignante GPT0,347
Écart entre enseignants0,290 · 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

Citations4
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSTAR ProtocolsMême sujetSingle-cell and spatial transcriptomicsTravaux en français237 207