Engineering Adaptive Immunity in 3D: A Patient‐Specific Lymphoid Model Using Stromal Networks and Peripheral Blood Mononuclear Cells
Notice bibliographique
Résumé
Abstract Tertiary lymphoid organs (TLOs) are non‐encapsulated immune structures that emerge in response to chronic inflammation, orchestrating local adaptive immune responses. However, recapitulating their complexity in vitro remains challenging due to the difficulty in generating physiologically relevant stromal‐immune interactions. Here, a 3D lymphoid tissue model is presented, engineered using human adipose‐derived stem cells (ADSCs) differentiated into fibroblastic reticular cell (FRC)‐like populations within collagen matrices. Differentiation is induced using TNF‐α and LT‐α, with or without IL‐4, generating two stromal phenotypes: FRC P1 and FRC P2 . These subsets exhibit matrix remodeling, distinct transcriptional signatures, and surface markers consistent with lymph node‐resident T cell reticular and follicular dendritic cell subsets. Upon co‐culture with peripheral blood mononuclear cells (PBMCs) and SARS‐CoV‐2 S1‐primed mature dendritic cells, the model supports antigen‐specific B cell activation and cytokine environments indicative of Th1 or Th2 polarization. FRC P1 favors B cell support and IgM secretion, whereas FRC P2 promotes dendritic cell activation and Th1‐type chemokine expression. This platform demonstrates the functional diversification of stem cell‐derived FRC‐like subsets and their role in orchestrating immune microenvironments. It enables investigation of lymphoid tissue remodeling, stromal‐immune crosstalk, and antibody generation using total PBMCs, providing a scalable, customizable system for personalized vaccine screening, autoimmune modeling, and therapeutic development.
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 | 0,001 |
| 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 ».