| |  Online-Ressource |
|---|
| Verfasst von: | Tan, Chin Leng [VerfasserIn]  |
|---|
| | Lindner, K. [VerfasserIn] |
|---|
| | Boschert, T. [VerfasserIn] |
|---|
| | Meng, Zibo [VerfasserIn] |
|---|
| | Rodriguez Ehrenfried, Aaron [VerfasserIn] |
|---|
| | De Roia, Alice [VerfasserIn] |
|---|
| | Haltenhof, G. [VerfasserIn] |
|---|
| | Faenza, A. [VerfasserIn] |
|---|
| | Imperatore, F. [VerfasserIn] |
|---|
| | Bunse, Lukas [VerfasserIn] |
|---|
| | Lindner, J. M. [VerfasserIn] |
|---|
| | Harbottle, R. P. [VerfasserIn] |
|---|
| | Ratliff, Miriam [VerfasserIn] |
|---|
| | Offringa, Rienk [VerfasserIn] |
|---|
| | Poschke, Isabel [VerfasserIn] |
|---|
| | Platten, Michael [VerfasserIn] |
|---|
| | Green, Edward W. [VerfasserIn] |
|---|
| Titel: | Prediction of tumor-reactive T cell receptors from scRNA-seq data for personalized T cell therapy |
|---|
| Verf.angabe: | C.L. Tan, K. Lindner, T. Boschert, Z. Meng, A. Rodriguez Ehrenfried, A. De Roia, G. Haltenhof, A. Faenza, F. Imperatore, L. Bunse, J.M. Lindner, R.P. Harbottle, M. Ratliff, R. Offringa, I. Poschke, M. Platten & E.W. Green |
|---|
| E-Jahr: | 2024 |
|---|
| Jahr: | 07 March 2024 |
|---|
| Umfang: | 9 S. |
|---|
| Illustrationen: | lllustrationen |
|---|
| Fussnoten: | Gesehen am 31.07.2024 |
|---|
| Titel Quelle: | Enthalten in: Nature biotechnology |
|---|
| Ort Quelle: | New York, NY : Springer Nature, 1996 |
|---|
| Jahr Quelle: | 2024 |
|---|
| Band/Heft Quelle: | (2024), Seite 1-9 |
|---|
| ISSN Quelle: | 1546-1696 |
|---|
| Abstract: | The identification of patient-derived, tumor-reactive T cell receptors (TCRs) as a basis for personalized transgenic T cell therapies remains a time- and cost-intensive endeavor. Current approaches to identify tumor-reactive TCRs analyze tumor mutations to predict T cell activating (neo)antigens and use these to either enrich tumor infiltrating lymphocyte (TIL) cultures or validate individual TCRs for transgenic autologous therapies. Here we combined high-throughput TCR cloning and reactivity validation to train predicTCR, a machine learning classifier that identifies individual tumor-reactive TILs in an antigen-agnostic manner based on single-TIL RNA sequencing. PredicTCR identifies tumor-reactive TCRs in TILs from diverse cancers better than previous gene set enrichment-based approaches, increasing specificity and sensitivity (geometric mean) from 0.38 to 0.74. By predicting tumor-reactive TCRs in a matter of days, TCR clonotypes can be prioritized to accelerate the manufacture of personalized T cell therapies. |
|---|
| DOI: | doi:10.1038/s41587-024-02161-y |
|---|
| URL: | Bitte beachten Sie: Dies ist ein Bibliographieeintrag. Ein Volltextzugriff für Mitglieder der Universität besteht hier nur, falls für die entsprechende Zeitschrift/den entsprechenden Sammelband ein Abonnement besteht oder es sich um einen OpenAccess-Titel handelt.
kostenfrei: Volltext: https://doi.org/10.1038/s41587-024-02161-y |
|---|
| | kostenfrei: Volltext: https://www.nature.com/articles/s41587-024-02161-y |
|---|
| | DOI: https://doi.org/10.1038/s41587-024-02161-y |
|---|
| Datenträger: | Online-Ressource |
|---|
| Sprache: | eng |
|---|
| Sach-SW: | Tumour immunology |
|---|
| K10plus-PPN: | 1897194315 |
|---|
| Verknüpfungen: | → Zeitschrift |
|---|
Prediction of tumor-reactive T cell receptors from scRNA-seq data for personalized T cell therapy / Tan, Chin Leng [VerfasserIn]; 07 March 2024 (Online-Ressource)
