Хоча не здається, що відсоток TEX збільшується з тяжкістю захворювання (додатковий малюнок 6C) або з віком тварин, схильних до вовчака (6), загальна кількість інфільтрованих Т-клітин збільшується з тяжкістю захворювання на цих моделях і у пацієнтів-людей. Таким чином, може бути межа, за якою виснаження можебільше не контролює хворобу. Попередня робота показала, що пацієнти з сигнатурою CD8 периферичної крові плюс TEX мали меншу ймовірність спалаху порівняно з тими, у кого ця сигнатура була відсутня (52). Проте те, що відбувається на рівні органу-мішені, залишається невирішеним питанням, і в майбутній роботі буде цікаво визначити, чи можна корелювати частку виснажених клітин у біопсії з результатами захворювання.

Згідно з відповідними дослідженнями, цистанх — це традиційна китайська трава, яка століттями використовувалася для лікування різних захворювань. Науково доведено, що він має протизапальні, антивікові та антиоксидантні властивості. Дослідження показали, що цистанка корисна для пацієнтів із захворюваннями нирок. Відомо, що активні інгредієнти цистанки зменшують запалення, покращують функцію нирок і відновлюють пошкоджені клітини нирок. Таким чином, інтеграція цистанхи в план лікування захворювання нирок може запропонувати пацієнтам великі переваги в управлінні їхнім станом. Цистанхе допомагає зменшити протеїнурію, знижує рівень BUN і креатиніну, а також знижує ризик подальшого пошкодження нирок. Крім того, цистанх також допомагає знизити рівень холестерину та тригліцеридів, що може бути небезпечним для пацієнтів із захворюваннями нирок.

Натисніть на добавку Cistanche Tubulosa

【Для отримання додаткової інформації: david.deng@wecistanche.com / WhatApp:86 13632399501】

Буде важливо визначити механізми, за допомогою яких кожен із цих потенційно шкідливих типів клітин і подій пригнічується нирками, і як існуючі та нові методи лікування можуть на них впливати. Сподіваємося, що ця робота дозволить нам та іншим більш конкретно націлитися на ці різні популяції Т-клітин, відкриваючи таким чином нові терапевтичні шляхи.

методи

Тварини. Миші C57BL/6 були придбані в Jackson Laboratory. Миші MRL/lpr спочатку були отримані з лабораторії Джексона та містилися в нашій лабораторії. Миші Fc R2B–/–.Yaa були отримані від Сільвії Болланд (Національний інститут алергії та інфекційних захворювань, NIH, Роквіль, штат Меріленд, США) і містилися в нашій лабораторії. Мишей старіли, і перед умертвінням вимірювали протеїнурію, як зазначено в Додатковій таблиці 2.

Виділення Т-клітин з нирок і селезінки. Т-клітини виділяли, як описано раніше (6). Коротше кажучи, після умертвіння селезінки видаляли, і тварин перфузували 40 мл HBSS до повного збліднення печінки та нирок. KIT виділяли за допомогою Octodissociator (Miltenyi Biotec) у присутності 1600 одиниць Куніца/мл колагенази D (Roche Diagnostics) і 0,2 мг/мл ДНКази IV (MilliporeSigma) протягом 30 хвилин при 37°. Проводили лізис еритроцитів і клітини фільтрували через клітинний фільтр (100 мкМ нейлон; Falcon, Corning). Спленоцити виділяли за допомогою механічної дисоціації між 2 предметними скельцями з матового скла та фільтрували через сітчастий фільтр 70 мкм після лізису еритроцитів.

Клітини фарбували, як описано раніше (6), за допомогою такої панелі: анти-CD8 (Lyt-2/TIB-105, Pac-Blue, виготовлений власним виробництвом), анти-CD4 (GK{{9 }}.5, у PE, придбаний у BioLegend), і анти-CD90.2 (Thy1.2/30H12, Al488, виготовлений власним виробництвом) для MRL/lpr мишей або анти-CD90.2 (Thy1.2/30H12 , Al647, власне виробництво) для Fc R2B–/–. Yaa Ghost BV510 (Tonbo) використовувався для виключення мертвих клітин. Для всіх «власних» антитіл комерційно доступні гібридомні клони, а антитіла очищали, як описано (6).

Т-клітини сортували за допомогою FACSAria (BD Biosciences). Після сортування клітини двічі промивали 2% BSA у PBS. Потім до кожного з відсортованих зразків додавали реагенти анти-CD45 HTO у розведенні 1:50. Анти-CD45 TotalSeq-A0096 30-F11 (BioLegend) використовували для когорти Main-Seq, а TotalSeq-C0096 30-F11 (BioLegend) використовували для обох когорт TCR-Seq. Після фарбування HTO клітини двічі промивали 2% BSA у PBS.

Підготовка бібліотеки та RNA-Seq Т-клітин. Клітини підраховували та завантажували в систему 10x Genomics Chromium відповідно до інструкцій виробника. Було створено бібліотеки експресії генів, TCR і хештегів/характерних штрих-кодів антитіл, їх якість оцінено за допомогою Agilent TapeStation High Sensitivity D5000 Screentape, а їх кількість визначено кількісно за допомогою набору кількісної оцінки бібліотеки KAPA для платформ Illumina. Для когорти Main-Seq використовувалася бібліотека 3PrimeV2; бібліотека штрих-кодів ознак була створена відповідно до протоколу Нью-Йоркського геномного центру (56). Для когорт TCR-Seq бібліотеки 5PrimeV1 були отримані від 10x Genomics. Для додавання хештегів ми дотримувались інструкцій виробника щодо «штрих-коду функції». Бібліотеки були об’єднані та секвеновані на NovaSeq (Illumina Biosciences). Файли FASTQ були створені та вирівняні за еталонним геномом миші mm10 за допомогою Cell Ranger 5.0.0 (10x Genomics) для створення матриці підрахунку генів-клітин і клітин-антитіл.

обробка даних scRNA-Seq. 10x необроблені дані з кожного зразка були демультиплексовані, а файли FASTQ були згенеровані за допомогою «швидкого» конвеєра Cell Ranger (v5.0.0, 10 x Геноміка). «Підрахунок» Cell Ranger використовувався для вирівнювання зчитувань із еталонним геномом mm10, і були створені кількісні таблиці транскрипту мРНК і унікального молекулярного ідентифікатора (UMI). Необроблені файли матриці штрих-кодів, згенеровані конвеєром Cell Ranger, були далі використані для подальшого аналізу за допомогою пакета Seurat (v4.0.0) (12) у R (v3.4.3).

Початковий контроль якості та обробка. Клітини, що експресують менше ніж 200 генів, або з більш ніж 10 відсотками UMI, які відображаються на мітохондріальну ДНК, були відфільтровані. Таблиці HTO були додані до набору даних і нормалізовані за допомогою методу центрованого логарифму співвідношення за допомогою функції "NormalizeData". Нормалізований підрахунок HTO використовувався для визначення того, чи містить кожна гелева кулька в емульсії одну клітину за допомогою функції Seurat "MULTIseqDemux" і ручної перевірки клітин, де клітина вважалася синглетною, якщо експресія однієї HTO становила більше ніж 70 відсотків загальної експресії HTO в цій клітині; в іншому випадку клітина вважалася дублетною і видалялася. Значення експресії генів для кожної клітини було логарифм2 -нормалізовано за допомогою функції «NormalizeData», де експресію гена нормалізували до загальної експресії всіх генів у цій клітині та масштабували з коефіцієнтом 10,{{8 }}. UMI, мітохондріальний вміст і оцінки вмісту генів гемоглобуліну та рибосомальних генів були «регресовані» за допомогою функції Seurat «ScaleData».

Зменшення розмірності та кластеризація. Змінні гени були виявлені за допомогою методу «mean.var.plot» у функції «FindVariableFeatures» із стандартним відсіченням, яке обчислює середню експресію та дисперсію (log[variance/mean]) для кожного гена з подальшим групуванням даних у 20 бункерів. на основі їх середнього вираження. Потім були відібрані варіабельні гени на основі дисперсії з оцінкою z в ​​кожному контейнері. Ці варіабельні гени були використані для зменшення розмірності на основі аналізу головних компонентів (PCA) за допомогою функції «RunPCA». «ElbowPlot» використовувався для оцінки перших 50 головних компонентів, а головні компоненти, які спричинили найбільшу варіабельність даних, були відібрані для подальшого зменшення розмірів і аналізу кластеризації UMAP.

Щоб ідентифікувати окремі групи клітин, було виконано неконтрольоване кластеризування за допомогою функції «FindClusters», яка обчислює k-найближчих сусідів відповідно до змінної експресії генів у всіх клітинах, таким чином будуючи спільний графік найближчих сусідів за допомогою алгоритму Лувена. Щоб уникнути надмірної кластеризації, ми протестували різні параметри роздільної здатності ("res"), що варіюються від 0.1 до 2 з кроком 0.1, а прогрес кластеризації оцінювався та візуалізувався за допомогою "Cluster " (v 0.4.3) (57). Оптимальна роздільна здатність була визначена на основі тривалого розділення перед «надмірною кластеризацією», що спостерігалося за збільшенням кросинговеру між кластерами. Кластеризація з низькою роздільною здатністю тоді була визначена як аналіз усіх клітин у цілій когорті, тоді як кластеризація з високою роздільною здатністю була визначена як кластеризація попередньо вибраної субпопуляції, тобто клітин CD4 plus, CD8 plus або Treg, які раніше були визначені в нашій групі з низькою роздільною здатністю. аналіз. На основі цих спостережень ми обрали роздільну здатність 0.9, 1.4, {{20}}.6 і 0.9 відповідно для Main-Seq, CD4 plus, CD4 плюс Treg sub і CD8 плюс з когорти 1 і роздільна здатність 0,7 для об’єднаної когорти CD8 плюс Т-клітини. Кластери клітин візуалізували за допомогою графіків зменшення розмірів UMAP.

Функція «FindAllMarkers» із налаштуваннями за замовчуванням була використана для пошуку DEG у кожному кластері порівняно з усіма іншими кластерами за допомогою тесту суми рангів Вілкоксона з генами, виявленими щонайменше в 10 відсотках клітин, мінімум 0.25 середньої зміни логарифмічної кратності та мінімум 0,01 скоригованого за Бонферроні значення P.

Аналіз гармонії. Для комбінованого UMAP на малюнку 8 3 незалежно запущені когорти були об’єднані за допомогою Harmony (58) із налаштуваннями параметрів за замовчуванням.

Оцінка клітинного циклу. Функція «CellCycleScoring» у Seurat була використана для розрахунку оцінки експресії маркерів фази G1, G2/M і S у кожній клітині за допомогою стратегії оцінки, описаної раніше (59). Кількість клітин, визначених у фазі G1, G2/M або S, розраховували для кожного кластера, а відхилення від загального розподілу оцінювали за допомогою аналізу χ2.

GSEA та відображення експресії. Значення P для GSEA визначали за допомогою тесту Вілкоксона для опублікованих підписів набору генів, як визначено в Додатковій таблиці 1. Використовуючи «ggplot2» у Seurat, –log10 значення P були нанесені на UMAP.

Додаткова аналітика. Стовпчасті діаграми, точкові діаграми та графіки PCA були побудовані за допомогою ggplot2 у R. Теплові карти були створені за допомогою функції «heatmap» у R.

Аналіз даних TCR. Дані TCR були оброблені за допомогою cell ranger vdj із посиланням {{0}} refdata-cellranger-vdj-GRCm38-alts-ensembl-3.1.0 для складання TCR і ланцюжків і визначення клонотипів . Клітини з 1 продуктивним TCR ( і ) зберігали для подальшого аналізу, тоді як непродуктивні ланцюги TCR виключали. Клональні Т-клітини були визначені як клітини, що експресують спільні рецептори TCR- і - з ідентичними послідовностями CDR3 на рівні нуклеотидів.

Аналіз траєкторії псевдочасу. Аналіз траєкторії з використанням підрахунків генів, оброблених Seurat, проводили за допомогою Monocle 3 (версія 0.1.3) для моделювання диференціювання CD4 плюс Т-клітин. Метод зворотного вбудовування графа DDRTree використовувався для зменшення розмірності, клітинки були впорядковані вздовж траєкторії за допомогою функції «orderCells», і траєкторія візуалізувалася у зменшеному розмірному просторі.

Для моделювання диференціювання CD8 плюс Т-клітин ми використовували Slingshot із «стартовими клубами», встановленими як B6/наївний кластер. Клітини були впорядковані за псевдочасом Slingshot і згруповані як кластери Seurat для проектування траєкторії кластера. Результат лінії походження траєкторії Slingshot був нанесений на клітинку CD8 plus Seurat UMAP.

Аналіз регуляторної мережі TF. Робочий процес SCENIC v.1.1.2 використовувався в R для ідентифікації регулонів за допомогою підрахунку та кластерів, оброблених Seurat, згідно з попереднім дослідженням (60). Потім були створені теплові карти, як описано вище.

Гістологічний бал. Підготовку гістологічного дослідження нирки та підрахунок балів проводили, як визначено раніше (61).

Наявність даних і матеріалів. Усі аналізи та візуалізації були виконані в R. Конкретна методологія та аналіз із використанням опублікованих програм Seurat детально описані в розділі «Методи». Дані, метадані та результати аналізу, такі як ідентифікація кластерів, зберігаються в Омнібусі експресії генів Національного центру біотехнологічної інформації (GSE197339).

Статистика. Статистичні дані обчислювалися в R, як зазначено в розділах, присвячених аналізу, або GraphPad Prism за допомогою 1-way ANOVA з тестом Тьюкі для множинних порівнянь, 2-way ANOVA з повторними вимірюваннями або аналізу χ2, як визначено в легендах до малюнків, із значеннями P, представленими як *P < 0.05, **P < 0.{{10}}1, ***P < 0,001, ****P <0,0001. Р <0,05 вважали статистично значущим.

Схвалення дослідження. Усі роботи були схвалені Комітетом з догляду та використання тварин Піттсбурзького або Єльського університетів.

Авторські внески

JST і MJS задумали дослідження. SS, MC, JST і MJS розробили методологію. Досліджено JST і SS. Візуалізовані дані JST і SS. JST і MJS отримали фінансування. JST та MJS забезпечили адміністрування проекту. JST та MJS забезпечили нагляд. JST і MJS написали оригінальний проект. JST, MJS, SS і MC переглянули та відредагували проект.

Подяки

Ми хотіли б подякувати Мінджунг Кім за її невтомні зусилля в лабораторії, що дозволило виконати цю роботу, і висловити вдячність Кевіну Нікерсону, Рейчел Гордон і Пітеру Ліпскі за критичний погляд на проект, а також критичний огляд цієї роботи Фаді Лаккіса та Уоррена Шломчик. Крім того, ми хотіли б подякувати Університету Пітсбурга Single Cell Core і, зокрема, Трейсі Табіб, яка допомогла завершити підготовку бібліотеки та технології 10x Genomics.

Фінансування надано Lupus Research Alliance, Novel Research Grant (для JST); Грант NIH/Національний інститут артриту та захворювань опорно-рухового апарату та шкіри K08AR075056 (для JST); і NIH/Національний інститут алергії та інфекційних хвороб грант R01 AI137132 (для MJS).

Адреса листування:Jeremy S. Tilstra, 3500 Terrace Street, BST S705A, Pittsburgh, Pennsylvania 15261, USA. Телефон: 412.383.8861; Або Марку Дж. Шломчику, W1052 Biomedical Science Tower, 200 Lothrop Street, Pittsburgh, Pennsylvania 15261, USA. Телефон: 412.648.8771.

1. Хоуп HC, Салмонд RJ. Націлювання на мікрооточення пухлини та метаболізм Т-клітин для ефективної імунотерапії раку. Eur J Immunol. 2019;49(8):1147–1152.

2. Jiang Y та ін. Т-клітинне виснаження в мікрооточенні пухлини. Смерть клітин Dis. 2015;6:e1792.

3. Scharping NE та ін. Мітохондріальний стрес, викликаний постійною стимуляцією в умовах гіпоксії, швидко призводить до виснаження Т-клітин. Nat Immunol. 2021; 22 (2): 205–215.

4. Clark MR та ін. Патогенез і терапевтичне значення тубулоінтерстиціального запалення при вовчаковому нефриті людини. Семін Нефрол. 2015;35(5):455–464.

5. Hsieh C та ін. Прогнозування результатів вовчакового нефриту з тубулоінтерстиціальним запаленням і рубцюванням. Arthritis Care Res (Hoboken). 2011;63(6):865–874.

6. Tilstra JS та ін. Т-клітини, що інфільтрують нирки при вовчаковому нефриті мишей, метаболічно та функціонально виснажені. J Clin Invest. 2018;128(11):4884–4897.

7. Schmitz JE та ін. Контроль вірусемії при інфекції вірусу імунодефіциту мавп за допомогою CD8 плюс лімфоцитів. Наука. 1999;283(5403):857–860.

8. Пейлі М.А. та ін. Попередні та кінцеві підгрупи CD8 плюс Т-клітин співпрацюють, щоб стримувати хронічну вірусну інфекцію. Наука. 2012;338(6111):1220–1225.

9. Lanata CM та ін. Фенотиповий і геномічний підхід до підтипу системного червоного вовчака в багатоетнічній когорті. Нац комун. 2019;10(1):3902.

10. Петерсон К. С. та ін. Характеристика гетерогенності в молекулярному патогенезі вовчакового нефриту за транскрипційними профілями клубочків, захоплених лазером. J Clin Invest. 2004;113(12):1722–1733.

11. Arazi A та ін. Ландшафт імунних клітин у нирках пацієнтів із вовчаковим нефритом. Nat Immunol. 2019; 20 (7): 902–914.

12. Батлер А та ін. Інтеграція одноклітинних транскриптомних даних у різних умовах, технологіях і видах. Нац біотехн. 2018;36(5):411–420.

13. Хашимото К та ін. Одноклітинна транскриптоміка виявляє експансію цитотоксичних CD4 Т-клітин у старших столітніх людей. Proc Natl Acad Sci US A. 2019;116(48):24242–24251.

14. Сінгер М та ін. Окремий генний модуль для дисфункції, відокремлений від активації в Т-клітинах, що інфільтрують пухлину. Стільниковий. 2016; 166 (6): 1500–1511.

15. Stubbington MJ та ін. Атлас транскриптомів Т-клітин CD4(+) миші. Biol Direct. 2015;10:14.

16. Tibbitt CA та ін. Секвенування одноклітинної РНК реакції Т-хелперних клітин на кліщів домашнього пилу визначає чітку ознаку експресії генів у клітинах Th2 дихальних шляхів. Імунітет. 2019;51(1):169–184.

17. Макей Л. К. та ін. Шлях розвитку для CD103(плюс)CD8 плюс Т-клітин пам’яті шкіри, резидентних у тканинах. Nat Immunol. 2013;14(12):1294–1301.

18. Chen PM та ін. Гіпоксія ниркової тканини зумовлює опосередковане Т-клітинами пошкодження при вовчаковому нефриті мишей. Sci Transl Med. 2020;12(538):eaay1620.

19. Aubert N та ін. Характеристика молекулярної мета-сигнатури регуляторних Т-клітин ідентифікує ген проенкефаліну як новий маркер у мишей [препринт]. Опубліковано на bioRxiv 6 березня 2020 р.

20. Мартін М.Д., Бадовінац В.П. Визначення пам'яті CD8 Т-клітин. Передній імунол. 2018; 9: 2692.

21. Willinger T, et al. Молекулярні сигнатури відрізняють центральну пам'ять людини від підгруп Т-клітин CD8 ефекторної пам'яті. J Immunol. 2005; 175 (9): 5895–5903.

22. Ahrends T, et al. Допомога CD4 плюс Т-клітинам створює CD8 плюс Т-клітини пам’яті з вродженою та незалежною від допомоги здатністю відкликати. Нац комун. 2019;10(1):5531.

23. Юсуф І та ін. Продукція IL-4 Т-фолікулярної хелперної клітини зародкового центру залежить від сигнального рецептора молекули активації лімфоцитів (CD150). J Immunol. 2010; 185 (1): 190–202.

24. Лузіна І. Г. та ін. Спонтанне утворення зародкових центрів у аутоімунних мишей. J Leukoc Biol. 2001;70(4):578–584.

25. Blaszczyk K, et al. Унікальна роль STAT2 у конститутивній та індукованій IFN транскрипції та противірусних реакціях. Фактор росту цитокінів Rev. 2016; 29: 71–81.

26. Swarnalekha N, et al. Резидентні хелперні клітини сприяють гуморальним реакціям у легенях. Sci Immunol. 2021;6(55):eabb6808.

27. Hayward SL та ін. Сигнали навколишнього середовища регулюють епігенетичне перепрограмування резидентної пам’яті дихальних шляхів CD8 плюс Т-клітин. Nat Immunol. 2020; 21 (3): 309–320.

28. Sacher AG та ін. Цитотоксичні CD4 плюс Т-клітини при раку сечового міхура - нова ліцензія на вбивство. Ракова клітина. 2020;38(1):28–30.

29. Маехара Т та ін. Цитотоксичні CD4 плюс Т-лімфоцити можуть індукувати апоптоз ендотеліальних клітин при системному склерозі. J Clin Invest. 2020; 130 (5): 2451–2464.

30. Miragaia RJ та ін. Одноклітинна транскриптоміка регуляторних Т-клітин розкриває траєкторії тканинної адаптації. Імунітет. 2019;50(2):493–504.

31. Doering TA та ін. Аналіз мережі виявляє центрально пов’язані гени та шляхи, залучені до виснаження CD8 плюс Т-клітин проти пам’яті. Імунітет. 2012;37(6):1130–1144.

32. Лі Дж та ін. Високі рівні будинків сприяють виснаженню протипухлинних CD8 плюс Т-клітин. Передній імунол. 2018; 9: 2981.

33. Seo H та ін. Фактори транскрипції TOX і TOX2 взаємодіють з факторами транскрипції NR4A, щоб викликати виснаження CD8 плюс Т-клітин. Proc Natl Acad Sci US A. 2019;116(25):12410–12415.

34. Лі Х та ін. Дисфункціональні Т-клітини CD8 утворюють проліферативний, динамічно регульований компартмент у меланомі людини. Стільниковий. 2020; 181 (3): 747.

35. Celhar T, Fairhurst AM. Моделювання клінічного системного червоного вовчака: подібності, відмінності та історії успіху. Ревматологія (Оксфорд). 2017;56(додаток 1):i88–i99.

36. Massengill SF, et al. SLE нефрит пов'язаний з олігоклональною експансією внутрішньониркових Т-клітин. Am J Kidney Dis. 1998;31(3):418–426.

37. Вінчестер Р та ін. Імунологічні характеристики внутрішньониркових Т-клітин: передача розширених клонотипів ланцюга CD8 плюс Т-клітин при прогресуючому вовчаковому нефриті. Ревний артрит. 2012;64(5):1589–1600.

38. Murata H та ін. Репертуар Т-клітинних рецепторів Т-клітин у нирках пацієнтів із вовчаковим нефритом. Ревний артрит. 2002;46(8):2141–2147.

39. Yost KE, et al. Клональна заміна пухлиноспецифічних Т-клітин після блокади PD-1. Nat Med. 2019; 25 (8): 1251–1259.

40. Collier JL та ін. Не дуже протилежні кінці спектру: CD8 плюс дисфункція Т-клітин через хронічну інфекцію, рак і аутоімунітет. Nat Immunol. 2021; 22 (7): 809–819.

41. Chang A та ін. Клітинні аспекти патогенезу вовчакового нефриту. Curr Opin Rheumatol. 2021;33(2):197–204.

42. Кінер Е та ін. Кишкові CD4 плюс фенотипи Т-клітин є континуумом, сформованим мікробами, а не архетипами TH. Nat Immunol. 2021; 22 (2): 216–228.

43. Peine M, et al. Стабільні гібридні клітини T-bet( plus )GATA-3( plus ) Th1/Th2 виникають in vivo, можуть розвиватися безпосередньо з наївних попередників і обмежувати імунопатологічне запалення. PLoS Biol. 2013;11(8):e1001633.

44. Huang S. Гібридні Т-хелпери: стабілізація помірного центру в поляризованій системі. PLoS Biol. 2013;11(8):e1001632.

45. Scharping NE та ін. Мікрооточення пухлини пригнічує Т-клітинний мітохондріальний біогенез, що призводить до внутрішньопухлинної метаболічної недостатності та дисфункції Т-клітин. Імунітет. 2016;45(3):701–703.

46. ​​Scharping NE та ін. Мітохондріальний стрес, викликаний постійною стимуляцією в умовах гіпоксії, швидко призводить до виснаження Т-клітин. Nat Immunol. 2021; 22 (2): 205–215.

47. Acharya N, et al. Ендогенна передача сигналів глюкокортикоїдів регулює диференціювання CD8 плюс Т-клітин і розвиток дисфункції в мікрооточенні пухлини. Імунітет. 2020; 53 (3): 658–671.

48. Mohan C та ін. Генетичний аналіз патогенезу вовчака: рецепт для некрофільних аутоантитіл. J Clin Invest. 1999;103(12):1685–1695.

49. Hedrich CM та ін. Модулятор елемента відповіді цАМФ контролює експресію IL2 та IL17A під час виділення лінії CD4 та розподілу підмножини при вовчаку. Proc Natl Acad Sci US A. 2012;109(41):16606–16611.

50. ElTanbouly MA, et al. VISTA — це регулятор контрольної точки для наївного стану спокою Т-клітин і периферичної толерантності. Наука. 2020;367(6475):eaay0524.

51. Зарур Х.М. Скасування дисфункції Т-клітин і виснаження при раку. Clin Cancer Res. 2016; 22 (8): 1856–1864.

52. McKinney EF та ін. Виснаження Т-клітин, ко-стимуляція та клінічні результати при аутоімунітеті та інфекції. природа 2015; 523 (7562): 612–616.

53. Максвелл Р та ін. Контрастний вплив кортикостероїдів на ефективність імунотерапії проти PD-1 при гістології пухлин, розташованих у центральній нервовій системі або поза нею. Онкоімунологія. 2018;7(12):e1500108.

54. Флінт Т.Р. та ін. Індукований пухлиною IL-6 перепрограмує метаболізм господаря для пригнічення протипухлинного імунітету. клітинний метаб. 2016; 24 (5): 672–684.

55. Hanoteau A та ін. Лікування циклофосфамідом регулює баланс функціональних/виснажених пухлиноспецифічних CD8 плюс Т-клітин. Онкоімунологія. 2017;6(8):e1318234.

56 Stoeckius M та ін. Хешування клітин із антитілами зі штрих-кодом забезпечує мультиплексування та подвійне виявлення одноклітинної геноміки. Genome Biol. 2018;19(1):224.

57. Zappia L, Oshlack A. Дерева кластеризації: візуалізація для оцінки кластеризації з кількома роздільними здатностями. Gigascience. 2018;7(7):giy083.

58. Корсунський І та ін. Швидка, чутлива та точна інтеграція одноклітинних даних за допомогою Harmony. Нац методи. 2019;16(12):1289–1296.

59. Тірош І та ін. Розтин багатоклітинної екосистеми метастатичної меланоми за допомогою одноклітинної РНК-секв. Наука. 2016;352(6282):189–196.

60. Айбар С та ін. SCENIC: висновок і кластеризація одноклітинної регуляторної мережі. Нац методи. 2017;14(11):1083–1086.

61. Tilstra JS та ін. В-клітинна експресія TLR9 є захисною при мишачому вовчаку. J Clin Invest. 2020; 130 (6): 3172–3187.

【Для отримання додаткової інформації: david.deng@wecistanche.com / WhatApp:86 13632399501】