MétaCan
Menu
Retour à la cohorte
Enregistrement W4410747443 · doi:10.1093/brain/awaf066

Mapping the peripheral immune landscape of Parkinson’s disease patients with single-cell sequencing

2025· article· en· W4410747443 sur OpenAlexafffund
Gaël Moquin‐Beaudry, Lovatiana Andriamboavonjy, Sébastien Audet, Laura K. Hamilton, Antoine Duquette, Sylvain Chouinard, Michel Panisset, Martine Tétreault

Notice bibliographique

RevueBrain · 2025
Typearticle
Langueen
DomaineBiochemistry, Genetics and Molecular Biology
ThématiqueSingle-cell and spatial transcriptomics
Établissements canadiensUniversité de Montréal
Organismes subventionnairesFonds de Recherche du Québec - SantéCourtois FoundationCentre Hospitalier Universitaire de QuébecUniversité LavalWeston Family FoundationCanadian Institutes of Health ResearchAlliance de recherche numérique du CanadaSchlumberger Foundation
Mots-clésParkinson's diseaseImmune systemPeripheralDiseaseNeuroscienceMedicineBiologyComputational biologyImmunologyPathologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

Parkinson's disease is most recognized for its impact on the CNS. However, recent breakthroughs underscore the crucial role of interactions between central and peripheral systems in Parkinson's disease pathogenesis. The spotlight is now shifting as we explore beyond the CNS, discovering that peripheral changes such as inflammatory dysfunctions may predict the rate of disease progression and severity. Despite more than 200 years of research on Parkinson's disease, reliable diagnostic or progression biomarkers and effective disease-modifying treatments are still lacking. Additionally, the cellular mechanisms that drive changes in immunity are largely unknown. Thus, understanding peripheral immune signatures could lead to earlier diagnosis and more effective treatments for Parkinson's disease. Here, we sought to define the transcriptomic alterations of the complete peripheral immune cell compartment by single-cell RNA and T-cell-receptor sequencing with hopes of uncovering Parkinson's disease signatures and potential peripheral blood biomarkers. Following transcriptional profiling of 78 876 cells from 10 healthy controls and 14 Parkinson's disease donors, we observed all expected major classes of immune cells; the myeloid (monocytes, dendritic cells) and lymphoid (T lymphocytes, B lymphocytes, natural killer) compartments were further analysed through bioinformatics re-clustering to obtain the final 38 cellular subtypes. Comparing immune cell subtypes and phenotypes between patients with Parkinson's disease and healthy control subjects revealed notable features of Parkinson's disease: (i) a significant shift of classical CD14+ monocytes towards an activated CD14+/CD83+ state; (ii) changes in lymphocyte subtype abundance, including a significant decrease in CD4+ naive and mucosal-associated invariant T-cell subtypes, along with an increase in CD56+ natural killer cells; (iii) the identification of several specific T-cell clones shared between multiple patients, suggesting the implication of common epitopes in Parkinson's disease pathogenesis; and (iv) a notable increase in the expression of activation signature genes, including the AP-1 stress-response transcription factor complex, across all Parkinson's disease cell types. This signal was not present in atypical parkinsonism patients with multiple system atrophy or progressive supranuclear palsy. Overall, we present a comprehensive atlas of peripheral blood mononuclear cells from healthy and Parkinson's disease donors which should serve as a tool to improve our understanding of the role the immune cell landscape plays in Parkinson's disease pathogenesis.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,441
Score d'incertitude au seuil0,323

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,193
Écart entre enseignants0,183 · 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 tête enseignante, 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
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueBrainMême sujetSingle-cell and spatial transcriptomicsTravaux en français237 207