Mapping and reprogramming human tissue microenvironments with MintFlow
Notice bibliographique
Résumé
Abstract Tissue microenvironments reprogram local cellular states in disease, yet current computational spatial methods remain descriptive and do not simulate tissue perturbation. We present MintFlow, a generative AI algorithm that learns how the tissue microenvironment influences cell states and predicts how tissue perturbations can reprogram them. Applied to three human diseases, MintFlow uncovered distinct pathogenic spatial reprogramming in inflammatory and tumor microenvironments. In atopic dermatitis, MintFlow identified a novel, spatially-imprinted, type 2 ( IL13 + ITGAE + ) epidermal T resident memory cell population (type 2 T RM ), and decoded signaling pathways within the perivascular lymphoid niche. In melanoma, MintFlow identified fibrotic stroma resembling keloid scar tissue. In kidney cancer, MintFlow resolved immunosuppressed CD8 + T cell states within tertiary lymphoid structures. Furthermore, MintFlow enabled in silico perturbations of disease-relevant cell states and tissue environments. Regulatory T cell modulation in atopic dermatitis was predicted to suppress the pro-inflammatory tissue environment, supporting manipulation of these cells as a therapeutic target. In kidney cancer, in silico T cell replacement recapitulated immune checkpoint blockade, while spatially targeted macrophage depletion reverted immunosuppressed T cell states. The corresponding gene programs correlated with survival in large kidney cancer patient cohorts. Together, these findings position MintFlow as a tool for unbiased disease mechanism prediction and in silico perturbation, accelerating translational hypothesis generation and guiding therapeutic strategies.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».