From cellular waste to biomarkers; insights into past, present, and future methods to detect immune cell-derived extracellular vesicles using flow cytometry
Notice bibliographique
Résumé
Extracellular vesicles (EVs) often possess both ubiquitous and unique tetraspanin molecules that can help elucidate their cell-of-origin. Furthermore, the presence and/or absence of specific tetraspanins can be used to phenotype and identify specific subpopulations of EVs. In the context of immune-related disorders (i.e. multiple sclerosis, rheumatoid arthritis, and various cancers), specific immune cell-derived EVs are now being investigated in the context of biomarker exploration, identifying novel disease mechanisms, and monitoring therapeutic responses in patients. Flow cytometry (FCM) is a technique that uses the light scattering properties of cells and/or subcellular particles (e.g. EVs), while combining fluorescent signals that can detect the presence, absence, or abundance of surface and/or intracellular molecules. To date, however, using FCM to accurately quantify EV populations has been challenging due to their relatively small size and weak light scattering and fluorescence properties compared to intact cells. Historically, the application of calibration beads of known sizes, refractory indices, a violet-side scatter, and standardized methodologies have made positive contributions towards the accurate detection and quantification of EVs while also permitting exploration into their biological properties. This review provides a summary and perspective of current FCM methodologies that are used to assess immune cell-derived EVs within biological fluids and cell supernatants. While acknowledging past and current limitations, as well as the recent successes, improvements, and efficiencies of assays used in EV-related research, the field will inevitably continue to advance through the implementation of standards and guidelines to enhance discovery and reproducibility.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».