Fluorescent Cell Barcoding of Peripheral Blood Mononuclear Cells for High‐Throughput Assessment of Vaccine‐Induced T Cell Responses in Low‐Volume Research Samples
Notice bibliographique
Résumé
T cell responses are rarely measured in large-scale human vaccine studies due to the sample volumes required, as well as the logistical, technical, and financial challenges associated with available assays. Fluorescent cell barcoding has been proposed in other contexts to allow for more high-throughput flow cytometry-based assays. Here, we aimed to expand on existing barcoding approaches to develop a reagent and sample-sparing assay for in-depth assessment of T cell responses to vaccine antigens. By using various concentrations of two fixable viability dyes in a matrix format, up to 25 samples that were pooled and acquired together could be successfully deconvoluted based on their unique fluorescent signature. This fluorescent cell barcoding approach was then combined with extracellular and intracellular staining to identify functional (i.e., producing at least one cytokine) and polyfunctional (i.e., producing multiple cytokines) T cells in response to vaccine antigen stimulation. As a proof-of-concept, we plated just 200,000 peripheral blood mononuclear cells (PBMC) per condition, and by staining and acquiring only two pooled samples, we were able to detect rare antigen-specific T cell responses in eight donors to four stimulants each. The frequencies of antigen-induced cytokine-positive cells detected in barcoded samples with 200,000 input PBMC were strongly correlated with those detected in non-barcoded samples from the same donors with 1 million input PBMC, demonstrating the validity of this approach. In conclusion, by reducing the number of PBMC needed by five-fold, and the volume of staining reagents needed by 25-fold, this assay has widespread potential applications to human vaccine studies.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».