FUME-TCRseq Enables Sensitive and Accurate Sequencing of the T-cell Receptor from Limited Input of Degraded RNA
Notice bibliographique
Résumé
Genomic analysis of the T-cell receptor (TCR) reveals the strength, breadth, and clonal dynamics of the adaptive immune response to pathogens or cancer. The diversity of the TCR repertoire, however, means that sequencing is technically challenging, particularly for samples with low-quality, degraded nucleic acids. Here, we developed and validated FUME-TCRseq, a robust and sensitive RNA-based TCR sequencing methodology that is suitable for formalin-fixed paraffin-embedded samples and low amounts of input material. FUME-TCRseq incorporates unique molecular identifiers into each molecule of cDNA, allowing correction for sequencing errors and PCR bias. Using RNA extracted from colorectal and head and neck cancers to benchmark the accuracy and sensitivity of FUME-TCRseq against existing methods demonstrated excellent concordance between the datasets. Furthermore, FUME-TCRseq detected more clonotypes than a commercial RNA-based alternative, with shorter library preparation time and significantly lower cost. The high sensitivity and the ability to sequence RNA of poor quality and limited amount enabled quantitative analysis of small numbers of cells from archival tissue sections, which is not possible with other methods. Spatially resolved FUME-TCRseq analysis of colorectal cancers using macrodissected archival samples revealed the shifting T-cell landscapes at the transition to an invasive phenotype and between tumor subclones containing distinct driver alterations. In summary, FUME-TCRseq represents an accurate, sensitive, and low-cost tool for the characterization of T-cell repertoires, particularly in samples with low-quality RNA that have not been accessible using existing methodology. SIGNIFICANCE: FUME-TCRseq is a TCR sequencing methodology that supports sensitive and spatially resolved detection of TCR clones in archival clinical specimens, which can facilitate longitudinal tracking of immune responses through disease course and treatment.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,003 |
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 ».