What did the T cell see? A deep-learning model of CD8+ T cell activation reveals sharp antigen discrimination at the single cell level
Notice bibliographique
Résumé
Abstract Immunotherapies such as checkpoint blockade antibodies to block T cell exhaustion have been successful in several cancers such as non-small cell lung cancer and melanoma, but limited in others (e.g., pancreatic or prostate carcinomas) owing to differences in tumor antigenicity. Therefore, quantifying tumor antigenicity is critical for successful immunotherapies. Our lab has shown that antigenicity can be encoded in a single parameter derived from bulk cytokine dynamics in ex vivo co-cultures between antigen presenting cells (APCs) and T cells. Here we built a model that can capture the antigenicity seen by individual cells. Using a custom robotic platform, we generated high-throughput kinetics of T cell activation in co-culture with APCs by analyzing cells at various timepoints across a large set of activation conditions. We performed spectral flow cytometry to measure the expression of up to 30 surface markers and intracellular signals per cell. To analyze our content-rich datasets, we designed a machine learning-based model that can classify the antigen seen by an individual cell using expression values from flow cytometry. The model performs well not only at classifying T cells (ROC-AUC > 0.91), but also APCs (ROC-AUC > 0.88), suggesting that each individual leukocyte may register the quality of antigen being presented. Blocking cytokine signaling disrupted this antigen classification. Our study demonstrates that every individual lymphocyte can bridge local and global response to achieve high discriminatory power of antigens.
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 | 0,000 | 0,001 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».