Immunogenomic profiling of circulating T cells in pediatric cancer patients during standard-of-care
Notice bibliographique
Résumé
Abstract While pediatric cancer patients receive intensive chemotherapy, its impact on peripheral T cells and subsequently to disease outcomes are not fully characterized. Here, we assessed T-cell dynamics during treatment, identifying associations with outcomes through immune phenotyping and T-cell Receptor (TCR) sequencing in pediatric solid and hematologic malignancies. We show that while levels of immune checkpoint proteins (PD-1, LAG3, and TIM3) at baseline were highest in lymphomas compared to other cancer groups, they increased significantly in response to therapy in all cancers. Levels of Central Memory (CM) T cells increased in leukemias and solid tumors, while naïve T cells and cell-free TCR diversity decreased in lymphomas. By combining immune cell and TCR repertoire features across all timepoints, we proposed the Dynamic Immunogenomic Score (DIS) to measure patient-specific effects of therapy on the peripheral T-cell population. Higher DIS was associated with high-risk cancer types and logistic regression analysis revealed it may predict incidence of relapse in leukemia patients. TCR specificity analysis revealed patient-specific clonal dynamics and differential detection of virally-associated TCRs in cancer patients compared to healthy individuals. Our results highlight the potential of early upfront immunogenomic profiling in identifying high-risk patients that may be predictive in light of emerging cellular immunotherapies.
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) | 0,001 | 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 | 0,001 | 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 ».