Techniques to study chimerism at the tissue level in humanized mice
Notice bibliographique
Résumé
Understanding the origin, distribution, and biology of different cell populations in chimeric mice is critical for interpreting the pathological changes developed in these models. To this aim, the methodological work presented here illustrates the validation and application of a collection of labeling techniques to differentiate between specific mouse and human tissue/cell components in formalin-fixed paraffin-embedded samples from chimeric mice, especially those bearing human tumor and immune cells. First, broad approaches to identify cells of human origin using ubiquitous immunohistochemical targets such as HLA-A, Ku80, and human mitochondrial 60 kDa protein (hMito) were established using specimens from humanized mice and a human tissue microarray including both normal and neoplastic samples. Due to its crisp membranous immunoreactivity, HLA-A was the most useful marker for visual human cell identification; however, Ku80 and hMito may be suitable options when HLA-A is not expressed in the cells of interest. Importantly, using one or more of these markers provides a broad range of coverage for the vast majority of human-derived cells in chimeric mice. Second, tailored immunohistochemical or in situ hybridization methodologies to distinguish specific human or mouse cell subsets are presented, focusing on immune/inflammatory cells and human chimeric antigen receptor (CAR) T-cells. These diverse approaches are accompanied by descriptions of case examples highlighting practical diagnostic and experimental applications in the context of various humanized mouse models. While not comprehensive, this work represents a valuable starting reference for pathologists and investigators working with humanized mouse models and seeking to add spatial resolution to the complex landscape of chimeric tissues.
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) | 0,000 | 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 | 0,000 |
| 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 ».