Selvom det ikke ser ud til, at procentdelen af ​​TEX stiger med sygdommens sværhedsgrad (Supplerende figur 6C), eller når lupus-tilbøjelige dyr bliver ældre (6), stiger det samlede antal infiltrerende T-celler med sygdommens sværhedsgrad i disse modeller og humane patienter. Der kan således være et punkt, hvor udmattelsen kanikke længere kontrollere sygdommen. Tidligere arbejde antydede, at de patienter med en CD8-plus TEX-signatur i perifert blod var mindre tilbøjelige til at blusse sammenlignet med dem, der manglede denne signatur (52). Men hvad der sker på målorganniveauet er stadig et udestående spørgsmål, og det vil være interessant i fremtidigt arbejde at afgøre, om andelen af ​​udmattede celler i en biopsi kan korreleres med sygdomsudfald.

Ifølge relevante undersøgelser er cistanche en traditionel kinesisk urt, der er blevet brugt i århundreder til at behandle forskellige sygdomme. Det er videnskabeligt bevist at besidde anti-inflammatoriske, anti-aging og antioxidante egenskaber. Undersøgelser har vist, at cistanche er gavnligt for patienter, der lider af nyresygdom. De aktive ingredienser i cistanche er kendt for at reducere inflammation, forbedre nyrefunktionen og genoprette svækkede nyreceller. Således kan integration af cistanche i en behandlingsplan for nyresygdom give store fordele for patienter med at håndtere deres tilstand. Cistanche hjælper med at reducere proteinuri, sænker BUN- og kreatininniveauer og mindsker risikoen for yderligere nyreskade. Derudover hjælper cistanche også med at reducere kolesterol- og triglyceridniveauer, hvilket kan være farligt for patienter, der lider af nyresygdom.

Klik på Cistanche Tubulosa Supplement

【For mere info: david.deng@wecistanche.com / WhatApp:86 13632399501】

Det vil være vigtigt at identificere de mekanismer, hvorved hver af disse potentielt skadelige celletyper og hændelser hæmmes af nyren, og hvordan eksisterende og nye terapier kan påvirke dem. Det er håbet, at dette arbejde vil give os og andre mulighed for at målrette mod disse varierende T-cellepopulationer mere specifikt og derved åbne nye terapeutiske veje.

Metoder

Dyr. C57BL/6-mus blev købt fra Jackson Laboratory. MRL/lpr-mus blev oprindeligt opnået fra Jackson Laboratory og er blevet holdt i vores laboratorium. Fc R2B–/–.Yaa-mus blev opnået fra Silvia Bolland (National Institute of Allergy and Infectious Diseases, NIH, Rockville, Maryland, USA) og er blevet holdt i vores laboratorium. Mus blev ældet, og proteinuri blev målt før aflivning, som dokumenteret i supplerende tabel 2.

Isolering af T-celler fra nyre og milt. T-celler blev isoleret som tidligere beskrevet (6). Kort sagt, efter aflivning blev miltene fjernet, og dyrene blev perfunderet med 40 ml HBSS, indtil fuldstændig blanchering af lever og nyre fandt sted. KIT'er blev isoleret under anvendelse af Octodissociator (Miltenyi Biotec) i nærvær af 1600 Kunitz-enheder/ml collagenase D (Roche Diagnostics) og 0,2 mg/ml DNAse IV (MilliporeSigma) i 30 minutter ved 37 grader. RBC-lyse blev udført, og celler blev filtreret gennem en cellesi (100 μM nylon; Falcon, Corning). Splenocytter blev isoleret ved hjælp af mekanisk dissociation mellem 2 matglas og filtreret gennem et 70 μm mesh-filter efter RBC-lyse.

Celler blev farvet som tidligere beskrevet (6) med følgende panel: anti-CD8 (Lyt-2/TIB-105, Pac-Blue, produceret internt), anti-CD4 (GK{{9) }}.5, i PE, købt hos BioLegend), og anti-CD90.2 (Thy1.2/30H12, Al488, produceret internt) til MRL/lpr-mus eller anti-CD90.2 (Thy1.2/30H12 , Al647, produceret internt) for Fc R2B–/–.Yaa Ghost BV510 (Tonbo) blev brugt til at udelukke døde celler. For alle "in-house" antistoffer er hybridomkloner kommercielt tilgængelige, og antistoffer blev oprenset som beskrevet (6).

T-celler blev sorteret ved hjælp af en FACSAria (BD Biosciences). Efter sortering blev cellerne vasket to gange med 2% BSA i PBS. Derefter blev anti-CD45 HTO-reagenser tilsat i en 1:50 fortynding til hver af de sorterede prøver. Anti-CD45 TotalSeq-A0096 30-F11 (BioLegend) blev brugt til Main-Seq-kohorten, og TotalSeq-C0096 30-F11 (BioLegend) blev brugt til begge TCR-Seq-kohorter. Efter HTO-farvningen blev cellerne vasket to gange i 2% BSA i PBS.

Biblioteksforberedelse og RNA-Seq af T-celler. Celler blev talt og indlæst i 10x Genomics Chromium-systemet ifølge producentens instruktioner. Genekspression, TCR og antistof-hashtags/stregkodebiblioteker blev genereret, deres kvalitet blev vurderet gennem Agilent TapeStation High Sensitivity D5000-skærmtape, og deres mængder blev kvantificeret med KAPA Library Quantification Kit til Illumina-platforme. Til Main-Seq-kohorten blev 3PrimeV2-biblioteket brugt; funktionsstregkodebiblioteket blev genereret i henhold til New York Genome Center-protokollen (56). For TCR-Seq-kohorterne blev 5PrimeV1-bibliotekerne opnået fra 10x Genomics. Til hashtagging fulgte vi instruktionerne for "funktionsstregkode" fra producenten. Biblioteker blev samlet og sekventeret på en NovaSeq (Illumina Biosciences). FASTQ-filer blev genereret og justeret til musereferencegenomet mm10 med Cell Ranger 5.0.0 (10x Genomics) for at producere gen-celle- og celle-antistoftællermatrixen.

scRNA-Seq databehandling. De 10x rå data fra hver prøve blev demultiplekset, og FASTQ-filer blev genereret ved hjælp af den "hurtige" Cell Ranger-pipeline (v5.0.0, 10 x Genomics). Cell Ranger "count" blev brugt til at justere aflæsninger til mm10 referencegenomet, og mRNA-transkript og HTO unikke molekylær identifikator (UMI) kvantificeringstabeller blev genereret. De rå stregkodematrixfiler, der blev genereret fra Cell Ranger-pipelinen, blev yderligere brugt til downstream-analyse ved hjælp af Seurat-pakken (v4.0.0) (12) i R (v3.4.3).

Indledende kvalitetskontrol og behandling. Celler, der udtrykker færre end 200 gener, eller med mere end 10 procent af UMI'er, der er kortlagt til mitokondrielt DNA, blev filtreret fra. HTO-tabellerne blev tilføjet til datasættet og normaliseret ved hjælp af en centreret log-forholdsmetode ved hjælp af funktionen "NormalizeData". Det normaliserede HTO-tal blev brugt til at bestemme, om hver gelperle-i-emulsion indeholdt en enkelt celle ved hjælp af Seurat "MULTIseqDemux"-funktionen og manuel inspektion af celler, hvor en celle blev betragtet som en singlet, hvis ekspressionen af ​​en enkelt HTO stod for mere end 70 procent af den samlede HTO-ekspression i den celle; ellers blev cellen betragtet som en dublet og fjernet. Genekspressionsværdier for hver celle blev log2 -normaliseret ved hjælp af funktionen "NormalizeData", hvor ekspressionen af ​​et gen blev normaliseret til den totale ekspression af alle gener i den pågældende celle og skaleret med en faktor på 10,{{8 }}. UMI, mitokondrieindhold og hæmoglobulingen og indhold af ribosomale genindhold blev "regresseret ud" ved hjælp af Seurats "ScaleData" funktion.

Dimensionalitetsreduktion og klyngedannelse. Variable gener blev detekteret ved hjælp af "mean.var.plot"-metoden i "FindVariableFeatures"-funktionen med standard cutoff, som beregner den gennemsnitlige ekspression og spredning (log[variance/mean]) pr. gen, efterfulgt af gruppering af dataene i 20 bins baseret på deres gennemsnitlige udtryk. Variable gener blev derefter udvalgt baseret på z-scoret dispersion i hver bin. Disse variable gener blev brugt til dimensionalitetsreduktion baseret på principal komponentanalyse (PCA) under anvendelse af "RunPCA"-funktionen. "ElbowPlot" blev brugt til at vurdere de første 50 hovedkomponenter, og de hovedkomponenter, der stod for den største variabilitet i dataene, blev udvalgt til yderligere UMAP dimensionsreduktion og klyngeanalyse.

For at identificere forskellige grupper af celler blev der udført uovervåget klyngedannelse ved hjælp af "FindClusters"-funktionen, som beregner de k-nærmeste naboer i henhold til variabel genekspression i alle celler, hvorved der konstrueres en delt nærmeste nabo-graf ved hjælp af Louvain-algoritmen. For at undgå overklyngning testede vi forskellige opløsningsparametre ("res") fra 0.1 til 2 i intervaller af 0.1, og klyngeforløbet blev vurderet og visualiseret ved hjælp af "Cluster". " (v 0.4.3) (57). Den optimale opløsning blev bestemt baseret på fortsat adskillelse før "over clustering" som observeret af den stigende crossover mellem klynger. Lavopløsnings-klynger blev derefter defineret som analysen af ​​alle celler i en hel kohorte, mens højopløsnings-klynger blev defineret som clustering på en forudvalgt underpopulation, dvs. CD4 plus , CD8 plus , eller Treg-celler tidligere defineret i vores lav-opløsning analyse. Baseret på disse observationer valgte vi opløsningerne 0.9, 1.4, {{20}}.6, og 0.9, henholdsvis for Main-Seq, CD4 plus , CD4 plus Treg sub og CD8 plus fra kohorte 1 og opløsning 0,7 for fusionerede kohorte CD8 plus T-celler. Celleklynger blev visualiseret ved hjælp af UMAP dimensionelle reduktionsplot.

Funktionen "FindAllMarkers" med standardindstillinger blev brugt til at finde DEG'er i hver klynge sammenlignet med alle andre klynger ved hjælp af Wilcoxons rangsum-test med gener påvist i minimum 10 procent af cellerne, et minimum på 0.25 gennemsnitlig log-fold-ændring og et minimum på 0.01 Bonferroni-justeret P-værdi.

Harmonianalyse. For den kombinerede UMAP i figur 8 blev de 3 uafhængigt kørte kohorter slået sammen ved hjælp af Harmony (58) med standardparameterindstillinger.

Cellecyklus evaluering. "CellCycleScoring"-funktionen i Seurat blev brugt til at beregne G1-, G2/M- og S-fasemarkørekspressionsscore i hver celle ved at bruge den tidligere beskrevne scoringsstrategi (59). Antallet af celler, der blev bestemt til at være i G1-, G2/M- eller S-fasen, blev beregnet på en per-klynge-basis, og afvigelse fra den samlede fordeling blev vurderet ved χ2-analyse.

GSEA og udtrykskortlægning. P-værdier for GSEA blev bestemt ved hjælp af Wilcoxon-testen for offentliggjorte gensætsignaturer som defineret i supplerende tabel 1. Ved at bruge "ggplot2" i Seurat blev -log10 P-værdier plottet på UMAP'erne.

Yderligere analyser. Søjleplot, prikplot og PCA-plot blev konstrueret ved hjælp af ggplot2 i R. Heatmaps blev genereret ved hjælp af "heatmap"-funktionen i R.

TCR dataanalyse. TCR-data blev behandlet ved hjælp af cell ranger vdj with–reference {{0}} refdata-cellranger-vdj-GRCm38-alts-ensembl-3.1.0 til at samle TCR og kæder og bestemme klontyper . Celler med 1 produktiv TCR (og ) blev holdt til yderligere analyse, mens ikke-produktive TCR-kæder blev udelukket. Klonale T-celler blev defineret som celler, der udtrykker fælles TCR- og -receptorer med identiske CDR3-sekvenser på nukleotidniveau.

Pseudotidsbaneanalyse. Baneanalyse under anvendelse af Seurat-behandlede gentællinger blev udført under anvendelse af Monocle 3 (version 0.1.3) til at modellere CD4 plus T-celledifferentiering. Den omvendte grafindlejringsmetode DDRTree blev brugt til at reducere dimensionaliteten, celler blev ordnet langs en bane ved hjælp af "orderCells"-funktionen, og banen blev visualiseret i det reducerede dimensionelle rum.

For at modellere CD8 plus T-celledifferentiering brugte vi Slingshot med "start. clubs" sat som B6/naiv klynge. Cellerne blev ordnet efter Slingshot-pseudotid og grupperet som Seurat-klynger for at projicere klyngens bane. Resultatet af Slingshot-banens afstamning blev plottet på CD8 plus-cellen Seurat UMAP.

TF regulatorisk netværksanalyse. SCENIC v.1.1.2-arbejdsgangen blev brugt i R til at identificere reguloner ved hjælp af Seurat-behandlede tællinger og klynger som i en tidligere undersøgelse (60). Heatmaps blev derefter oprettet som beskrevet ovenfor.

Histologisk scoring. Nyre histologisk forberedelse og scoring blev udført som defineret tidligere (61).

Tilgængelighed af data og materialer. Alle analyser og visualiseringer blev udført i R. Specifik metodologi og analyse ved hjælp af publicerede Seurat-programmer er detaljeret beskrevet i afsnittet Metoder. Data, metadata og analyseoutput såsom klyngeidentifikation er deponeret i National Center for Biotechnology Information's Gene Expression Omnibus (GSE197339).

Statistikker. Statistikker blev beregnet i R som angivet i analysespecifikke sektioner eller GraphPad Prism ved 1-måde ANOVA med Tukeys test for flere sammenligninger, 2-måde ANOVA med gentagne mål eller χ2-analyse som defineret i figurforklaringer, med P-værdier repræsenteret som *P < 0.05, **P < 0.{{10}}1, ***P < 0,001, ****P < 0,0001. P < 0,05 blev betragtet som statistisk signifikant.

Studiegodkendelse. Alt arbejde blev godkendt af enten University of Pittsburghs eller Yale Universitys Institutional Animal Care and Use Committee.

Forfatterbidrag

JST og MJS udtænkte undersøgelsen. SS, MC, JST og MJS udviklede metodologi. JST og SS blev undersøgt. JST og SS visualiserede data. JST og MJS erhvervede finansiering. JST og MJS stod for projektadministration. JST og MJS sørgede for supervision. JST og MJS skrev det originale udkast. JST, MJS, SS og MC gennemgik og redigerede udkastet.

Anerkendelser

Vi vil gerne takke Minjung Kim for hendes utrættelige indsats i laboratoriet, så dette arbejde kan udføres, og anerkender kritisk indsigt i projektet fra Kevin Nickerson, Rachael Gordon og Peter Lipsky og kritisk gennemgang af dette arbejde af Fadi Lakkis og Warren Shlomchik. Derudover vil vi gerne takke University of Pittsburgh Single Cell Core og specifikt Tracy Tabib, som hjalp med at færdiggøre biblioteksforberedelse og 10x Genomics-teknologi.

Finansiering blev leveret af Lupus Research Alliance, Novel Research Grant (til JST); NIH/National Institute of Arthritis og Muskuloskeletale og Hudsygdomme bevilger K08AR075056 (til JST); og NIH/National Institute of Allergy and Infectious Diseases giver R01 AI137132 (til MJS).

Send korrespondance til:Jeremy S. Tilstra, 3500 Terrace Street, BST S705A, Pittsburgh, Pennsylvania 15261, USA. Telefon: 412.383.8861; Eller til Mark J. Shlomchik, W1052 Biomedical Science Tower, 200 Lothrop Street, Pittsburgh, Pennsylvania 15261, USA. Telefon: 412.648.8771.

1. Hope HC, Salmond RJ. Målretning af tumormikromiljøet og T-cellemetabolismen for effektiv cancerimmunterapi. Eur J Immunol. 2019;49(8):1147-1152.

2. Jiang Y, et al. T-celleudmattelse i tumormikromiljøet. Celledød Dis. 2015;6:e1792.

3. Scharping NE, et al. Mitokondriel stress induceret af kontinuerlig stimulering under hypoxi driver hurtigt T-celleudmattelse. Nat Immunol. 2021;22(2):205-215.

4. Clark MR, et al. Patogenesen og terapeutiske implikationer af tubulointerstitiel inflammation i human lupus nefritis. Semin Nephrol. 2015;35(5):455–464.

5. Hsieh C, et al. Forudsigelse af udfald af lupus nefritis med tubulointerstitiel inflammation og ardannelse. Arthritis Care Res (Hoboken). 2011;63(6):865–874.

6. Tilstra JS, et al. Nyre-infiltrerende T-celler i murin lupus nefritis er metabolisk og funktionelt udmattet. J Clin Invest. 2018;128(11):4884–4897.

7. Schmitz JE, et al. Kontrol af viræmi i simian immundefekt virusinfektion med CD8 plus lymfocytter. Videnskab. 1999;283(5403):857–860.

8. Paley MA, et al. Progenitor og terminale undergrupper af CD8 plus T-celler samarbejder for at indeholde kronisk viral infektion. Videnskab. 2012;338(6111):1220-1225.

9. Lanata CM, et al. En fænotypisk og genomisk tilgang i en multi-etnisk kohorte til subtype systemisk lupus erythematosus. Nat Commun. 2019;10(1):3902.

10. Peterson KS, et al. Karakterisering af heterogenitet i den molekylære patogenese af lupus nefritis fra transkriptionelle profiler af laserfangede glomeruli. J Clin Invest. 2004;113(12):1722-1733.

11. Arazi A, et al. Immuncellelandskabet i nyrerne hos patienter med lupus nefritis. Nat Immunol. 2019;20(7):902–914.

12. Butler A, et al. Integrering af enkeltcellede transkriptomiske data på tværs af forskellige forhold, teknologier og arter. Nat Biotechnol. 2018;36(5):411-420.

13. Hashimoto K, et al. Enkeltcellet transkriptomik afslører udvidelsen af ​​cytotoksiske CD4 T-celler hos supercentenarians. Proc Natl Acad Sci US A. 2019;116(48):24242–24251.

14. Sanger M, et al. Et distinkt genmodul for dysfunktion afkoblet fra aktivering i tumorinfiltrerende T-celler. Celle. 2016;166(6):1500-1511.

15. Stubbington MJ, et al. Et atlas af muse CD4(plus) T-celle transkriptomer. Biol Direct. 2015;10:14.

16. Tibbitt CA, et al. Enkeltcellet RNA-sekventering af T-hjælpercelleresponsen på husstøvmider definerer en særskilt genekspressionssignatur i luftvejs Th2-celler. Immunitet. 2019;51(1):169-184.

17. Mackay LK, et al. Udviklingsvejen for CD103( plus )CD8 plus vævsresidente hukommelses-T-celler i huden. Nat Immunol. 2013;14(12):1294-1301.

18. Chen PM, et al. Nyrevævshypoksi dikterer T-celle-medieret skade ved murin lupus nefritis. Sci Transl Med. 2020;12(538):eaay1620.

19. Aubert N, et al. Karakterisering af en regulatorisk T-celles molekylære meta-signatur identificerer pro-enkephalingenet som en ny markør i mus [preprint]. Udgivet på bioRxiv 6. marts 2020.

20. Martin MD, Badovinac VP. Definere hukommelse CD8 T-celle. Front Immunol. 2018;9:2692.

21. Willinger T, et al. Molekylære signaturer adskiller human central hukommelse fra effektorhukommelse CD8 T-celleundergrupper. J Immunol. 2005;175(9):5895-5903.

22. Ahrends T, et al. CD4 plus T-cellehjælp skaber hukommelse CD8 plus T-celler med medfødte og hjælpeuafhængige genkaldelseskapaciteter. Nat Commun. 2019;10(1):5531.

23. Yusuf I, et al. Germinal center T follikulær hjælpecelle IL-4 produktion er afhængig af signalerende lymfocytisk aktiveringsmolekyle receptor (CD150). J Immunol. 2010;185(1):190–202.

24. Luzina IG, et al. Spontan dannelse af germinale centre hos autoimmune mus. J Leukoc Biol. 2001;70(4):578-584.

25. Blaszczyk K, et al. STAT2's unikke rolle i konstitutiv og IFN-induceret transkription og antivirale responser. Cytokin Growth Factor Rev. 2016;29:71-81.

26. Swarnalekha N, et al. T-residente hjælpeceller fremmer humorale reaktioner i lungen. Sci Immunol. 2021;6(55):eabb6808.

27. Hayward SL, et al. Miljømæssige signaler regulerer epigenetisk omprogrammering af luftvejsresidente hukommelse CD8 plus T-celler. Nat Immunol. 2020;21(3):309-320.

28. Sacher AG, et al. Cytotoksiske CD4 plus T-celler i blærekræft - en ny tilladelse til at dræbe. Kræftcelle. 2020;38(1):28–30.

29. Maehara T, et al. Cytotoksiske CD4 plus T-lymfocytter kan inducere endotelcelleapoptose ved systemisk sklerose. J Clin Invest. 2020;130(5):2451-2464.

30. Miragaia RJ, et al. Enkeltcellet transkriptomi af regulatoriske T-celler afslører baner for vævstilpasning. Immunitet. 2019;50(2):493-504.

31. Doering TA, et al. Netværksanalyse afslører centralt forbundne gener og veje involveret i CD8 plus T-celleudmattelse versus hukommelse. Immunitet. 2012;37(6):1130-1144.

32. Li J, et al. Høje niveauer af hjem fremmer udmattelse af anti-tumor CD8 plus T-celler. Front Immunol. 2018;9:2981.

33. Seo H, et al. TOX- og TOX2-transkriptionsfaktorer samarbejder med NR4A-transkriptionsfaktorer for at pålægge CD8 plus T-celleudmattelse. Proc Natl Acad Sci US A. 2019;116(25):12410–12415.

34. Li H, et al. Dysfunktionelle CD8 T-celler danner et proliferativt, dynamisk reguleret rum i humant melanom. Celle. 2020;181(3):747.

35. Celhar T, Fairhurst AM. Modellering af klinisk systemisk lupus erythematosus: ligheder, forskelle og succeshistorier. Reumatologi (Oxford). 2017;56(suppl 1):i88–i99.

36. Massengill SF, et al. SLE nefritis er forbundet med en oligoklonal udvidelse af intrarenale T-celler. Am J Nyre Dis. 1998;31(3):418-426.

37. Winchester R, et al. Immunologiske karakteristika af intrarenale T-celler: handel med ekspanderet CD8 plus T-cellekæde-klonotyper i progressiv lupus nefritis. Gigt Rheum. 2012;64(5):1589-1600.

38. Murata H, et al. T-cellereceptorrepertoire af T-celler i nyrerne hos patienter med lupus nefritis. Gigt Rheum. 2002;46(8):2141-2147.

39. Yost KE, et al. Klonal erstatning af tumorspecifikke T-celler efter PD-1 blokade. Nat Med. 2019;25(8):1251-1259.

40. Collier JL, et al. Ikke så modsatte ender af spektret: CD8 plus T-celledysfunktion på tværs af en kronisk infektion, cancer og autoimmunitet. Nat Immunol. 2021;22(7):809-819.

41. Chang A, et al. Cellulære aspekter af patogenesen af ​​lupus nefritis. Curr Opin Rheumatol. 2021;33(2):197-204.

42. Kiner E, et al. Tarm CD4 plus T celle fænotyper er et kontinuum støbt af mikrober, ikke af TH arketyper. Nat Immunol. 2021;22(2):216-228.

43. Peine M, et al. Stabil T-bet( plus )GATA-3( plus ) Th1/Th2-hybridceller opstår in vivo, kan udvikle sig direkte fra naive prækursorer og begrænse immunopatologisk inflammation. PLoS Biol. 2013;11(8):e1001633.

44. Huang S. Hybride T-hjælperceller: stabilisering af det moderate center i et polariseret system. PLoS Biol. 2013;11(8):e1001632.

45. Scharping NE, et al. Tumormikromiljøet undertrykker T-celle mitokondriel biogenese for at drive intratumoral T-celle metabolisk insufficiens og dysfunktion. Immunitet. 2016;45(3):701-703.

46. ​​Scharping NE, et al. Mitokondriel stress induceret af kontinuerlig stimulering under hypoxi driver hurtigt T-celleudmattelse. Nat Immunol. 2021;22(2):205-215.

47. Acharya N, et al. Endogen glukokortikoid signalering regulerer CD8 plus T-celledifferentiering og udviklingen af ​​dysfunktion i tumormikromiljøet. Immunitet. 2020;53(3):658-671.

48. Mohan C, et al. Genetisk dissektion af lupus patogenese: en opskrift på nekrofile autoantistoffer. J Clin Invest. 1999;103(12):1685-1695.

49. Hedrich CM, et al. cAMP-responselementmodulator kontrollerer IL2- og IL17A-ekspression under CD4-afstamningsforpligtelse og undergruppefordeling i lupus. Proc Natl Acad Sci US A. 2012;109(41):16606–16611.

50. ElTanbouly MA, et al. VISTA er en kontrolpunktsregulator for naiv T-cellehvile og perifer tolerance. Videnskab. 2020;367(6475):eaay0524.

51. Zarour HM. Reversering af T-celledysfunktion og udmattelse ved kræft. Clin Cancer Res. 2016;22(8):1856-1864.

52. McKinney EF, et al. T-celleudmattelse, co-stimulering og klinisk resultat i autoimmunitet og infektion. Natur. 2015;523(7562):612-616.

53. Maxwell R, et al. Kontrasterende virkning af kortikosteroider på anti-PD-1 immunterapieffektivitet for tumorhistologier lokaliseret i eller uden for centralnervesystemet. Onkoimmunologi. 2018;7(12):e1500108.

54. Flint TR, et al. Tumorinduceret IL-6 omprogrammerer værtsmetabolisme for at undertrykke antitumorimmunitet. Celle Metab. 2016;24(5):672-684.

55. Hanoteau A, et al. Cyclophosphamidbehandling regulerer balancen mellem funktionelle/udtømte tumorspecifikke CD8 plus T-celler. Onkoimmunologi. 2017;6(8):e1318234.

56. Stoeckius M, et al. Cellehashing med stregkodede antistoffer muliggør multipleksing og dobbeltdetektion for enkeltcellet genomik. Genom Biol. 2018;19(1):224.

57. Zappia L, Oshlack A. Clustering af træer: en visualisering til evaluering af klynger ved flere opløsninger. Gigascience. 2018;7(7):giy083.

58. Korsunsky I, et al. Hurtig, følsom og præcis integration af enkeltcelledata med Harmony. Nat Metoder. 2019;16(12):1289-1296.

59. Tirosh I, et al. Dissekere det multicellulære økosystem af metastatisk melanom ved enkeltcellet RNA-seq. Videnskab. 2016;352(6282):189-196.

60. Aibar S, et al. SCENIC: enkeltcellet regulatorisk netværksinferens og klyngedannelse. Nat Metoder. 2017;14(11):1083-1086.

61. Tilstra JS, et al. B-celle-iboende TLR9-ekspression er beskyttende i murin lupus. J Clin Invest. 2020;130(6):3172-3187.

【For mere info: david.deng@wecistanche.com / WhatApp:86 13632399501】