Jun 27, 2023
CRISPR-Screenings entschlüsseln die Signalwege von Krebszellen, die die Erkennung von γδ-T-Zellen auslösen
Nature (2023)Diesen Artikel zitieren 431 Altmetric Metrics Details γδ-T-Zellen sind wirksame Antikrebs-Effektoren mit dem Potenzial, Tumore breitflächig anzugreifen, unabhängig von patientenspezifischen Neoantigenen oder
Natur (2023)Diesen Artikel zitieren
431 Altmetrisch
Details zu den Metriken
γδ-T-Zellen sind wirksame Antikrebs-Effektoren mit dem Potenzial, Tumore umfassend anzugreifen, unabhängig von patientenspezifischen Neoantigenen oder dem Hintergrund menschlicher Leukozytenantigene1,2,3,4,5. γδ-T-Zellen können konservierte Zellstresssignale erkennen, die in transformierten Zellen vorherrschen2,3, obwohl die Mechanismen, die hinter der gezielten Ansteuerung gestresster Zielzellen stehen, noch kaum charakterisiert sind. Vγ9Vδ2-T-Zellen – die am häufigsten vorkommende Untergruppe menschlicher γδ-T-Zellen4 – erkennen einen Proteinkomplex, der Butyrophilin 2A1 (BTN2A1) und BTN3A1 (Ref. 6,7,8) enthält, ein weithin exprimiertes Zelloberflächenprotein, das durch Phosphoantigene aktiviert wird, die reichlich von produziert werden Tumorzellen. Hier haben wir genomweite CRISPR-Screenings in Zielkrebszellen kombiniert, um Wege zu identifizieren, die die Abtötung von γδ-T-Zellen und die BTN3A-Zelloberflächenexpression regulieren. Die Screenings zeigten eine bisher nicht erkannte mehrschichtige Regulierung der BTN3A-Häufigkeit auf der Zelloberfläche und die Auslösung von γδ-T-Zellen durch Transkription, posttranslationale Modifikationen und Membrantransport. Darüber hinaus wurde festgestellt, dass verschiedene genetische Störungen und Inhibitoren, die die Stoffwechselwege in den Krebszellen, insbesondere ATP-produzierende Prozesse, stören, die BTN3A-Spiegel verändern. Diese Induktion von BTN3A und BTN2A1 während Stoffwechselkrisen hängt von der AMP-aktivierten Proteinkinase (AMPK) ab. Schließlich führte die Aktivierung von AMPK durch kleine Moleküle in einem Zelllinienmodell und in von Patienten stammenden Tumororganoiden zu einer erhöhten Expression des BTN2A1-BTN3A-Komplexes und einer erhöhten durch den Vγ9Vδ2-T-Zellrezeptor vermittelten Abtötung. Dieser AMPK-abhängige Mechanismus der durch metabolischen Stress induzierten Hochregulierung von Liganden vertieft unser Verständnis der γδ-T-Zell-Stressüberwachung und schlägt neue Wege zur Verbesserung der Antikrebsaktivität von γδ-T-Zellen vor.
Dies ist eine Vorschau der Abonnementinhalte, Zugriff über Ihre Institution
Greifen Sie auf Nature und 54 weitere Nature Portfolio-Zeitschriften zu
Holen Sie sich Nature+, unser preisgünstigstes Online-Zugangsabonnement
29,99 $ / 30 Tage
jederzeit kündigen
Abonnieren Sie diese Zeitschrift
Erhalten Sie 51 gedruckte Ausgaben und Online-Zugriff
199,00 $ pro Jahr
nur 3,90 $ pro Ausgabe
Leihen oder kaufen Sie diesen Artikel
Die Preise variieren je nach Artikeltyp
ab 1,95 $
bis 39,95 $
Die Preise können örtlicher Steuern unterliegen, die beim Bezahlvorgang berechnet werden
Sequenzierungsdatensätze für die beiden Screens und CUT&RUN sind im NCBI Gene Expression Omnibus-Repository verfügbar (Cokultur-Screen, GSE192828; BTN3A-Screen, GSE192827; CUT&RUN, GSE226931). Öffentlich verfügbare Paired-End-IRF1-ChIP-seq-Fastq-Dateien wurden von ENCODE68,69 heruntergeladen: IRF1 K562 IP Rep 1 (ENCFF031RWN, ENCFF031WIT), IRF1 K562 IP Rep 2 (ENCFF602NSL, ENCFF071PWE) und IRF1 K562 Input (ENCFF285JYI, ENCFF420KFM). Außerdem wurden für diese Studie öffentlich verfügbare TCGA-Daten verwendet (https://www.cancer.gov/tcga). Quelldaten werden mit diesem Dokument bereitgestellt.
Der zur Analyse des TCGA-Datensatzes verwendete Computercode wurde bei Zenodo hinterlegt (https://doi.org/10.5281/zenodo.8011891).
Silva-Santos, B., Serre, K. & Norell, H. γδ T-Zellen bei Krebs. Nat. Rev. Immunol. 15, 683–691 (2015).
Artikel CAS PubMed Google Scholar
Sebestyen, Z., Prinz, I., Déchanet-Merville, J., Silva-Santos, B. & Kuball, J. Übersetzung von Gammadelta (γδ)-T-Zellen und ihren Rezeptoren in Krebszelltherapien. Nat. Rev. Drug Discov. 19, 169–184 (2020).
Artikel CAS PubMed Google Scholar
Raverdeau, M., Cunningham, SP, Harmon, C. & Lynch, L. γδ-T-Zellen bei Krebs: eine kleine Lymphozytenpopulation mit großen Auswirkungen. Klin. Übers. Immunol. 8, e01080 (2019).
Artikel Google Scholar
Silva-Santos, B., Mensurado, S. & Coffelt, SB γδ T-Zellen: pleiotrope Immuneffektoren mit therapeutischem Potenzial bei Krebs. Nat. Rev. Cancer 19, 392–404 (2019).
Artikel CAS PubMed PubMed Central Google Scholar
Mensurado, S., Blanco-Domínguez, R. & Silva-Santos, B. Die neuen Rollen von γδ-T-Zellen in der Krebsimmuntherapie. Nat. Pfr. Fr. Klin. Onkol. 20, 178–191 (2023).
Artikel CAS PubMed Google Scholar
Harly, C. et al. Wichtige Bedeutung von CD277/Butyrophilin-3 (BTN3A) bei der zellulären Stresserkennung durch eine wichtige Untergruppe menschlicher γδ-T-Zellen. Blut 120, 2269–2279 (2012).
Artikel CAS PubMed PubMed Central Google Scholar
Rigau, M. et al. Butyrophilin 2A1 ist für die Phosphoantigen-Reaktivität von γδ-T-Zellen essentiell. Wissenschaft 367, eaay5516 (2020).
Artikel CAS PubMed Google Scholar
Karunakaran, MM et al. Butyrophilin-2A1 bindet direkt Keimbahn-kodierte Regionen des Vγ9Vδ2-TCR und ist für die Phosphoantigen-Erkennung essentiell. Immunität 52, 487–498 (2020).
Artikel CAS PubMed PubMed Central Google Scholar
Groh, V., Steinle, A., Bauer, S. & Spies, T. Erkennung stressinduzierter MHC-Moleküle durch intestinale epitheliale γδ-T-Zellen. Science 279, 1737–1740 (1998).
Artikel CAS PubMed ADS Google Scholar
Strid, J., Sobolev, O., Zafirova, B., Polic, B. & Hayday, A. Die intraepitheliale T-Zell-Reaktion auf NKG2D-Liganden verknüpft die Überwachung von lymphoidem Stress mit Atopie. Science 334, 1293–1297 (2011).
Artikel CAS PubMed ADS Google Scholar
Girardi, M. et al. Regulierung kutaner Malignität durch γδ-T-Zellen. Wissenschaft 294, 605–609 (2001).
Artikel CAS PubMed ADS Google Scholar
Harly, C. et al. Menschliche γδ-T-Zellen erkennen die AMPK-abhängige metabolische Tumorreprogrammierung durch TCR-Erkennung von EphA2. Wissenschaft. Immunol. 6, eaba9010 (2021).
Artikel CAS PubMed Google Scholar
Marlin, R. et al. Erkennung von Zellstress durch menschliche γδ-TCR-abhängige Erkennung von Annexin A2. Proz. Natl Acad. Wissenschaft. USA 114, 3163–3168 (2017).
Artikel CAS PubMed PubMed Central ADS Google Scholar
Chien, Y., Meyer, C. & Bonneville, M. γδ T-Zellen: erste Verteidigungslinie und darüber hinaus. Annu. Rev. Immunol. 32, 121–155 (2014).
Artikel CAS PubMed Google Scholar
Uhlén, M. et al. Gewebebasierte Karte des menschlichen Proteoms. Wissenschaft 347, 1260419 (2015).
Artikel PubMed Google Scholar
Payne, KK et al. BTN3A1 steuert Antitumorreaktionen durch die Koordination von αβ- und γδ-T-Zellen. Wissenschaft 369, 942–949.
Artikel CAS PubMed PubMed Central ADS Google Scholar
Sandstrom, A. et al. Die intrazelluläre B30.2-Domäne von Butyrophilin 3A1 bindet Phosphoantigene, um die Aktivierung menschlicher Vγ9Vδ2-T-Zellen zu vermitteln. Immunität 40, 490–500 (2014).
Artikel CAS PubMed PubMed Central Google Scholar
Mullen, PJ, Yu, R., Longo, J., Archer, MC & Penn, LZ Das Zusammenspiel zwischen Zellsignalisierung und dem Mevalonat-Signalweg bei Krebs. Nat. Rev. Cancer 16, 718–731 (2016).
Artikel CAS PubMed Google Scholar
Yu, Z. et al. Identifizierung eines Transporterkomplexes, der für den zytosolischen Eintritt stickstoffhaltiger Bisphosphonate verantwortlich ist. eLife 7, e36620 (2018).
Artikel PubMed PubMed Central Google Scholar
Dang, AT et al. NLRC5 fördert die Transkription von BTN3A1-3-Genen und die durch Vγ9Vδ2-T-Zellen vermittelte Abtötung. iScience 24, 101900 (2021).
Artikel CAS PubMed ADS Google Scholar
Corvaisier, M. et al. Vγ9Vδ2-T-Zell-Reaktion auf Dickdarmkarzinomzellen. J. Immunol. 175, 5481–5488 (2005).
Artikel CAS PubMed Google Scholar
Palakodeti, A. et al. Die molekulare Grundlage für die Modulation menschlicher Vγ9Vδ2-T-Zellantworten durch CD277/Butyrophilin-3 (BTN3A)-spezifische Antikörper. J. Biol. Chem. 287, 32780–32790 (2012).
Artikel CAS PubMed PubMed Central Google Scholar
Sheftel, A., Stehling, O. & Lill, R. Eisen-Schwefel-Proteine in Gesundheit und Krankheit. Trends Endokrinol. Metab. 21, 302–314 (2010).
Artikel CAS PubMed Google Scholar
Voss, M. et al. Die Freisetzung von Glykan-modifizierenden Enzymen durch das Signalpeptid Peptidase-like 3 (SPPL3) reguliert die zelluläre N-Glykosylierung. EMBO J. 33, 2890–2905 (2014).
Artikel CAS PubMed PubMed Central Google Scholar
Park, JH et al. Tumorhypoxie unterdrückt die durch γδ-T-Zellen vermittelte Antitumorimmunität gegen Hirntumoren. Nat. Immunol. 22, 336–346 (2021).
Artikel CAS PubMed Google Scholar
Blevins, MA, Huang, M. & Zhao, R. Die Rolle von CtBP1 bei onkogenen Prozessen und sein Potenzial als therapeutisches Ziel. Mol. Krebs Ther. 16, 981–990 (2017).
Artikel CAS PubMed PubMed Central Google Scholar
Annaert, W. & Kaether, C. Bring es zurück, bring es zurück, nimm es mir nicht weg – den Sortierrezeptor RER1. J. Cell Sci. 133, jcs231423 (2020).
Artikel PubMed Google Scholar
Cano, CE et al. BTN2A1, ein Immunkontrollpunkt, der auf die Zytotoxizität von Vγ9Vδ2-T-Zellen gegen bösartige Zellen abzielt. Cell Rep. 36, 109359 (2021).
Artikel CAS PubMed Google Scholar
Vantourout, P. et al. Heteromere Wechselwirkungen regulieren Butyrophilin (BTN) und BTN-ähnliche Moleküle, die die Biologie der γδ-T-Zellen steuern. Proz. Natl Acad. Wissenschaft. USA 115, 1039–1044 (2018).
Artikel CAS PubMed PubMed Central ADS Google Scholar
Quinlan, KGR et al. Spezifische Erkennung von ZNF217 und anderen Zinkfingerproteinen an einer Oberflächenfurche C-terminaler Bindungsproteine. Mol. Zelle. Biol. 26, 8159–8172 (2006).
Artikel CAS PubMed PubMed Central Google Scholar
Mick, E. et al. Deutliche mitochondriale Defekte lösen abhängig vom Stoffwechselzustand der Zelle die integrierte Stressreaktion aus. eLife 9, e49178 (2020).
Artikel CAS PubMed PubMed Central Google Scholar
Herzig, S. & Shaw, RJ AMPK: Hüter des Stoffwechsels und der mitochondrialen Homöostase. Nat. Rev. Mol. Zellbiol. 19, 121–135 (2018).
Artikel CAS PubMed Google Scholar
Marcu-Malina, V. et al. Umlenkung von αβ-T-Zellen gegen Krebszellen durch Übertragung eines weitgehend tumorreaktiven γδT-Zellrezeptors. Blut 118, 50–59 (2011).
Artikel CAS PubMed Google Scholar
Gründer, C. et al. γ9- und δ2CDR3-Domänen regulieren die funktionelle Avidität von T-Zellen, die γ9δ2TCRs beherbergen. Blut 120, 5153–5162 (2012).
Artikel PubMed Google Scholar
Straetemans, T. et al. GMP-gerechte Herstellung von T-Zellen, die so konstruiert sind, dass sie einen definierten γδTCR exprimieren. Vorderseite. Immunol. 9, 1062 (2018).
Artikel PubMed PubMed Central Google Scholar
Dekkers, JF et al. Aufdeckung der Wirkungsweise manipulierter T-Zellen in Krebsorganoiden von Patienten. Nat. Biotechnologie. 41, 60–69 (2023).
Artikel CAS PubMed Google Scholar
Gassart, AD et al. Entwicklung von ICT01, einem erstklassigen Anti-BTN3A-Antikörper zur Aktivierung der durch Vγ9Vδ2 T-Zellen vermittelten Antitumor-Immunantwort. Wissenschaft. Übers. Med. 13, eabj0835 (2021).
Artikel CAS PubMed Google Scholar
Mu, X. et al. Der Glukosestoffwechsel steuert die durch menschliche γδ-T-Zellen vermittelte Tumorimmunüberwachung bei Diabetes. Zelle. Mol. Immunol. 19, 944–956 (2022).
Artikel CAS PubMed PubMed Central Google Scholar
Meizlish, ML, Franklin, RA, Zhou, X. & Medzhitov, R. Gewebehomöostase und Entzündung. Annu. Rev. Immunol. 39, 557–581 (2021).
Artikel CAS PubMed Google Scholar
Warburg, O., Posener, K. & Negelein, E. Über den Stoffwechsel der Tumoren. Biochem. Z. 152, 319–344 (1924).
Google Scholar
Heiden, MGV, Cantley, LC & Thompson, CB Den Warburg-Effekt verstehen: die Stoffwechselanforderungen der Zellproliferation. Wissenschaft 324, 1029–1033 (2009).
Artikel ADS Google Scholar
Tzelepis, K. et al. Ein CRISPR-Dropout-Screen identifiziert genetische Schwachstellen und therapeutische Ziele bei akuter myeloischer Leukämie. Cell Rep. 17, 1193–1205 (2016).
Artikel CAS PubMed PubMed Central Google Scholar
Shifrut, E. et al. Genomweite CRISPR-Screenings in primären menschlichen T-Zellen enthüllen wichtige Regulatoren der Immunfunktion. Zelle 175, 1958–1971 (2018).
Artikel CAS PubMed PubMed Central Google Scholar
Li, W. et al. MAGeCK ermöglicht eine zuverlässige Identifizierung essentieller Gene aus CRISPR/Cas9-Knockout-Screens im Genommaßstab. Genombiol. 15, 554 (2014).
Artikel PubMed PubMed Central Google Scholar
Ma, Y. et al. CRISPR/Cas9-Screenings offenbaren Abhängigkeitsfaktoren von Epstein-Barr-Virus-transformierten B-Zell-Wirten. Cell Host Microbe 21, 580–591 (2017).
Artikel CAS PubMed PubMed Central Google Scholar
Jiang, S. et al. CRISPR/Cas9-vermittelte Genombearbeitung in Epstein-Barr-Virus-transformierten lymphoblastoiden B-Zelllinien. Curr. Protokoll. Mol. Biol. 121, 31.12.1–31.12.23 (2018).
Artikel CAS PubMed Google Scholar
Mootha, VK et al. PGC-1α-responsive Gene, die an der oxidativen Phosphorylierung beteiligt sind, werden bei menschlichem Diabetes koordiniert herunterreguliert. Nat. Genet. 34, 267–273 (2003).
Artikel CAS PubMed Google Scholar
Subramanian, A. et al. Gen-Set-Anreicherungsanalyse: ein wissensbasierter Ansatz zur Interpretation genomweiter Expressionsprofile. Proz. Natl Acad. Wissenschaft. USA 102, 15545–15550 (2005).
Artikel CAS PubMed PubMed Central ADS Google Scholar
Miller, HE & Bishop, AJR Correlation AnalyzeR: Funktionelle Vorhersagen aus Gen-Koexpressionskorrelationen. BMC Bioinformatics 22, 206 (2021).
Artikel PubMed PubMed Central Google Scholar
Lachmann, A. et al. Massiver Abbau öffentlich verfügbarer RNA-seq-Daten von Menschen und Mäusen. Nat. Komm. 9, 1366 (2018).
Artikel PubMed PubMed Central ADS Google Scholar
Concordet, J.-P. & Haeussler, M. CRISPOR: intuitive Leitfadenauswahl für CRISPR/Cas9-Genomeditierungsexperimente und Screens. Nukleinsäuren Res. 46, W242–W245 (2018).
Artikel CAS PubMed PubMed Central Google Scholar
Martin, M. Cutadapt entfernt Adaptersequenzen aus Sequenzierungslesevorgängen mit hohem Durchsatz. EMBnet J. 17, 10–12 (2011).
Artikel Google Scholar
Clement, K. et al. CRISPResso2 bietet eine genaue und schnelle Analyse der Genomeditierungssequenz. Nat. Biotechnologie. 37, 224–226 (2019).
Artikel CAS PubMed PubMed Central Google Scholar
Brinkman, EK, Chen, T., Amendola, M. & van Steensel, B. Einfache quantitative Bewertung der Genombearbeitung durch Sequenzspurenzerlegung. Nukleinsäuren Res. 42, e168 (2014).
Artikel PubMed PubMed Central Google Scholar
Davodeau, F. et al. Enge Korrelation zwischen der Daudi- und mykobakteriellen Antigenerkennung durch menschliche Gamma-Delta-T-Zellen und der Expression von V9JPC1γ/V2DJCδ-kodierten T-Zellrezeptoren. J. Immunol. 151, 1214–1223 (1993).
Artikel CAS PubMed Google Scholar
Bai, L. et al. Die Mehrzahl der CD1d-Sulfatid-spezifischen T-Zellen im menschlichen Blut verwendet einen semiinvarianten Vδ1-TCR. EUR. J. Immunol. 42, 2505–2510 (2012).
Artikel CAS PubMed PubMed Central Google Scholar
Sachs, N. et al. Eine lebende Biobank von Brustkrebs-Organoiden erfasst die Heterogenität von Krankheiten. Zelle 172, 373–386 (2018).
Artikel CAS PubMed Google Scholar
Pleguezuelos-Manzano, C. et al. Etablierung und Kultivierung menschlicher Darmorganoide aus adulten Stammzellen. Curr. Protokoll. Immunol. 130, e106 (2020).
Artikel PubMed PubMed Central Google Scholar
Zheng, Y., Ahmad, K. & Henikoff, S. Tutorial zur CUT&Tag-Datenverarbeitung und -analyse. Protocol.io https://doi.org/10.17504/protocols.io.bjk2kkye (2020).
Meers, MP, Tenenbaum, D. & Henikoff, S. Peak-Calling durch Sparse Enrichment Analysis für CUT&RUN-Chromatinprofilierung. Epigenetik Chromatin 12, 42 (2019).
Artikel PubMed PubMed Central Google Scholar
Shannon, P. et al. Cytoscape: eine Softwareumgebung für integrierte Modelle biomolekularer Interaktionsnetzwerke. Genomres. 13, 2498–2504 (2003).
Artikel CAS PubMed PubMed Central Google Scholar
Kutmon, M., Lotia, S., Evelo, CT & Pico, AR WikiPathways-App für Cytoscape: Biologische Pfade für Netzwerkanalyse und Visualisierung zugänglich machen. F1000Res. 3, 152 (2014).
Artikel PubMed PubMed Central Google Scholar
Tsuchiya, S. et al. Implementierung von GlycanBuilder zum Zeichnen einer Vielzahl mehrdeutiger Glykane. Kohlenhydrat. Res. 445, 104–116 (2017).
Artikel CAS PubMed Google Scholar
Varki, A. et al. Symbolnomenklatur für grafische Darstellungen von Glykanen. Glycobiology 25, 1323–1324 (2015).
Artikel CAS PubMed PubMed Central Google Scholar
Gustavsen, JA, Pai, S., Isserlin, R., Demchak, B. & Pico, AR RCy3: Netzwerkbiologie mit Cytoscape aus R. F1000Res. 8, 1774 (2019).
Artikel PubMed PubMed Central Google Scholar
Martens, M. et al. WikiPathways: Gemeinschaften verbinden. Nukleinsäuren Res. 49, D613–D621 (2021).
Artikel CAS PubMed Google Scholar
Jiang, P. et al. Anzeichen einer T-Zell-Dysfunktion und eines T-Zell-Ausschlusses sagen das Ansprechen auf eine Krebsimmuntherapie voraus. Nat. Med. 24, 1550–1558 (2018).
Artikel CAS PubMed PubMed Central Google Scholar
Dunham, I. et al. Eine integrierte Enzyklopädie der DNA-Elemente im menschlichen Genom. Natur 489, 57–74 (2012).
Artikel CAS ADS Google Scholar
Luo, Y. et al. Neue Entwicklungen auf dem Datenportal Encyclopedia of DNA Elements (ENCODE). Nukleinsäuren Res. 48, D882–D889 (2019).
Artikel PubMed Central Google Scholar
Ewels, PA et al. Das NF-Core-Framework für von der Community kuratierte Bioinformatik-Pipelines. Nat. Biotechnologie. 38, 276–278 (2020).
Artikel CAS PubMed Google Scholar
Lopez-Delisle, L. et al. pyGenomeTracks: reproduzierbare Diagramme für multivariate Genomdatensätze. Bioinformatik 37, 422–423 (2020).
Artikel PubMed Central Google Scholar
Referenzen herunterladen
Wir danken den Mitgliedern des Marson-Labors, I. Jain, S. Dodgson, S. Pyle, T. Tolpa und dem Gladstone Flow Cytometry Core für die Bereitstellung wertvoller Beiträge und technischer Fachkenntnisse. Wir danken auch B. Gewurz (Harvard Medical School) für die Bereitstellung von Daudi-Cas9-Zellen. MRM war ein Stipendiat des Cancer Research Institute (CRI) Irvington Fellow, der vom CRI unterstützt wurde, und wurde durch das Human Vaccines Project Michelson Prizes for Human Immunology and Vaccine Research unterstützt, das von der Michelson Medical Research Foundation finanziert wurde. JWF wurde durch ein NIH-Stipendium (Nr. R01HG008140) finanziert. AR wurde durch ein NIH-Ausbildungsstipendium (Nr. T32GM007281) unterstützt. MMA wird durch ein NSF GRFP-Stipendium (Nr. 2038436) unterstützt. MO wurde von der Astellas Foundation for Research on Metabolic Disorder, der Chugai Foundation for Innovative Drug Discovery Science und der Mochida Memorial Foundation for Medicine and Pharmaceutical Research unterstützt. KAT wurde durch das Gladstone PUMAS-Programm unterstützt, finanziert durch ein NIH-Stipendium (Nr. 5R25HL121037). JK und ZS wurden von Oncode-PACT und den Stipendiennummern der Dutch Cancer Society unterstützt. KWF 11393, 12586 und 13043. EJA wird durch ein NIH-Stipendium finanziert (Nr. R01AI155984). Das Marson-Labor hat Mittel vom CRI Lloyd J. Old STAR Grant, der Cancer League, dem Innovative Genomics Institute, der Simons Foundation und dem Parker Institute for Cancer Immunotherapy erhalten. Wir danken der Hubrecht Organoid Technology für die Bereitstellung patienteneigener Brustkrebs-Organoide und JML Roodhart (Abteilung für Medizinische Onkologie, Universitätsklinikum Utrecht, Universität Utrecht, Utrecht, Niederlande) für die Bereitstellung des patienteneigenen Darmkrebs-Organoids. Der Gladstone Flow Cytometry Core wird vom James B. Pendleton Charitable Trust unterstützt. Das Schema in Abb. 3a wurde aus der BioRender-Vorlage „Elektronentransportkette“ übernommen. Einige der hier gezeigten Ergebnisse basieren auf Daten des TCGA Research Network: https://www.cancer.gov/tcga.
Diese Autoren haben gleichermaßen beigetragen: Shane Vedova, Jacob W. Freimer
Gladstone-UCSF Institute of Genomic Immunology, San Francisco, CA, USA
Murad R. Mamedov, Shane Vedova, Jacob W. Freimer, Maya M. Arce, Mineto Ota, Peixin Amy Chen, Vinh Q. Nguyen, Kirsten A. Takeshima und Alexander Marson
Medizinische Fakultät, University of California, San Francisco, San Francisco, CA, USA
Murad R. Mamedov, Shane Vedova, Jacob W. Freimer, Maya M. Arce, Mineto Ota, Peixin Amy Chen und Alexander Marson
Abteilung für Genetik, Stanford University, Stanford, CA, USA
Jacob W. Freimer, Mineto Ota und Jonathan K. Pritchard
Abteilung für Datenwissenschaft, Dana-Farber Cancer Institute, Boston, MA, USA
Avinash Das Sahu
Abteilung für Biostatistik, Harvard TH Chan School of Public Health, Boston, MA, USA
Avinash Das Sahu
UNM Comprehensive Cancer Center, University of New Mexico, Albuquerque, NM, USA
Avinash Das Sahu
Abteilung für Biochemie und Molekularbiologie, University of Chicago, Chicago, IL, USA
Amrita Ramesh und Erin J. Adams
Zentrum für translationale Immunologie, Universitätsklinikum Utrecht, Utrecht, Niederlande
Angelo D. Meringa, Jürgen Kuball & Zsolt Sebestyen
Institut für Datenwissenschaft und Biotechnologie, Gladstone Institutes, San Francisco, CA, USA
Kristina Hanspers
Abteilung für Chirurgie, University of California, San Francisco, San Francisco, CA, USA
Vinh Q. Nguyen
Diabetes Center, University of California, San Francisco, San Francisco, CA, USA
Vinh Q. Nguyen & Alexander Marson
UCSF CoLabs, University of California, San Francisco, San Francisco, CA, USA
Vinh Q. Nguyen
Princess-Máxima-Zentrum für pädiatrische Onkologie, Utrecht, Niederlande
Anne C. Rios
Oncode Institute, Utrecht, Niederlande
Anne C. Rios
Fachbereich Biologie, Stanford University, Stanford, CA, USA
Jonathan K. Pritchard
Abteilung für Hämatologie, Universitätsklinikum Utrecht, Utrecht, Niederlande
Jürgen Kuball
Ausschuss für Immunologie, University of Chicago, Chicago, IL, USA
Erin J. Adams
Abteilung für Mikrobiologie und Immunologie, University of California, San Francisco, San Francisco, CA, USA
Alexander Marson
Innovative Genomics Institute, University of California-Berkeley, Berkeley, CA, USA
Alexander Marson
UCSF Helen Diller Family Comprehensive Cancer Center, University of California, San Francisco, San Francisco, CA, USA
Alexander Marson
Parker Institute for Cancer Immunotherapy, University of California, San Francisco, San Francisco, CA, USA
Alexander Marson
Institut für Humangenetik, University of California, San Francisco, San Francisco, CA, USA
Alexander Marson
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
Sie können diesen Autor auch in PubMed Google Scholar suchen
MRM und AM haben die Studie entworfen. MRM, SV, AR, MMA, ADM, PAC, VQN und KAT führten Experimente durch und erzeugten wesentliche Reagenzien. JWF führte eine Computeranalyse und Datenvisualisierung durch. ADS und MO führten eine TCGA-Datenanalyse und -visualisierung durch. KH generierte eine Visualisierung der Signalweganreicherung. ACR half bei der Gewinnung patienteneigener Tumororganoide. EJA, JK, ZS und JKP halfen bei der Entwicklung von Assays und der Interpretation der Ergebnisse. MRM und AM haben das Manuskript unter Mitwirkung aller Autoren verfasst.
Korrespondenz mit Murad R. Mamedov oder Alexander Marson.
AM ist Mitbegründer von Arsenal Biosciences, Spotlight Therapeutics und Survey Genomics; ist Vorstandsmitglied bei Spotlight Therapeutics und Survey Genomics; ist Vorstandsbeobachter (und ehemaliges Vorstandsmitglied) bei Arsenal Biosciences; ist Mitglied der wissenschaftlichen Beiräte von Arsenal Biosciences, Spotlight Therapeutics, Survey Genomics, NewLimit, Amgen, Lightcast und Tenaya; besitzt Aktien von Arsenal Biosciences, Spotlight Therapeutics, NewLimit, Survey Genomics, PACT Pharma, Lightcast und Tenaya; und hat Honorare von Arsenal Biosciences, Spotlight Therapeutics, NewLimit, Survey Genomics, Tenaya, Lightcast, 23andMe, PACT Pharma, Juno Therapeutics, Trizell, Vertex, Merck, Amgen, Genentech, AlphaSights, Rupert Case Management, Bernstein und ALDA erhalten. AM ist Investor und informeller Berater von Offline Ventures und Kunde von EPIQ. JWF war Berater für NewLimit, ist Mitarbeiter von Genentech und hält Anteile an Roche. Das Marson-Labor erhielt Forschungsunterstützung von Juno Therapeutics, Epinomics, Sanofi, GlaxoSmithKline, Gilead und Anthem. JK ist Anteilseigner von Gadeta BVJK und ZS sind Erfinder von Patenten mit γδTCR-bezogenen Themen. AM und MRM sind Erfinder von Patentanmeldungen, die auf der Grundlage der hier beschriebenen Erkenntnisse eingereicht wurden.
Nature dankt Dmitry Gabrilovich, Thomas Herrmann und den anderen, anonymen Gutachtern für ihren Beitrag zum Peer-Review dieser Arbeit.
Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.
(a) Schematische Darstellung des Mevalonat-Weges, übernommen von WikiPathways. Phosphoantigene blau hervorgehoben. (b) Überleben von eGFP+ Daudi-Zellen, die zusammen mit primären Vγ9Vδ2-T-Zellen bei verschiedenen Effektor-zu-Ziel-Verhältnissen (E:T) mit oder ohne Zoledronat (ZOL) kultiviert wurden. Die Zellen wurden mithilfe der quantitativen Live-Cell-Bildgebung in Echtzeit (Incucyte) quantifiziert. Das Überleben wurde auf Daudi-Zellen normalisiert, die ohne T-Zellen kultiviert wurden. Mittelwert ± SD. n = 3 pro Bedingung. (c–e) Paarweise Vergleiche von log2 (Fold Change [FC]) der Screening-Ergebnisse zwischen den drei gesunden menschlichen PBMC-Spendern. (f) Anzahl der Gene, die in jedem negativ angereicherten KEGG-Gensatz enthalten sind, nach dem Herausfiltern von Genen, die nicht im Screen-Datensatz enthalten waren, FDR-Q-Werte und (g) Anzahl der Gene, die in zwei KEGG-Gensätzen gefunden wurden.
Quelldaten
(a) Heatmap der Hazard-Verhältnisse (natürlich logarithmisch transformiert), die mit der Co-Kultur-Screening-Gensignatur bei TCGA-Patienten für 33 Krebsarten verbunden sind (ein positives Log-Verhältnis weist auf eine schlechtere Prognose hin und ein negatives weist auf eine schützende Wirkung hin). Gensignatur). Die Gensignatur des Co-Kultur-Screenings wurde auf Mittelwert = 0, SD = 1 skaliert. Die Werte werden nur für Krebsarten mit signifikanter Überlebens- und Signaturassoziation bei Patiententumoren angezeigt, wie durch einen Wald-Test mit Benjamini-Hochberg-Mehrfachvergleichskorrektur (zwei- einseitig padj < 0,05). (b, d) Korrelation der Tumorgenexpression und des Überlebens in der Patientenkohorte mit niedriggradigem Gliom (LGG), (b) mit der gesamten Kohorte und (d) mit der Kohortenaufteilung gemäß TRGV9/TRDV2-Tumortranskripthäufigkeit. Patienten mit hoher und niedriger Expression jedes einzelnen Gens wurden über die 1040 Gene in der Co-Kultur-Screening-Signatur hinweg verglichen. Ein positiver Wald-Test-Z-Score zeigt eine positive Korrelation mit dem Überleben an, und ein negativer Z-Score zeigt eine negative Korrelation mit dem Überleben an. (c, e) Korrelation der vom KEGG-Signalweg abgeleiteten und vom Typ-I-Interferon-Antwortpfad abgeleiteten Signaturwerte und Überleben in der Patientenkohorte mit niedriggradigem Gliom (LGG), (c) mit der gesamten Kohorte und (e) mit der Kohortenaufteilung gemäß TRGV9/TRDV2-Tumortranskripthäufigkeit. Es wurden Patienten mit hohen und niedrigen Pathway-Signatur-Scores verglichen. (f, g) Überleben von (f) allen LGG-Patienten und (g) TRGV9/TRDV2-hohen oder TRGV9/TRDV2-niedrigen LGG-Patienten, aufgeteilt nach hoher und niedriger Expression der TCA-Zyklus-Signalwegsignatur. (h, i) Überleben von TRAC/TRBC-hoch/niedrig (h) LGG- und (i) BLCA-Patienten, aufgeteilt nach hoher und niedriger Expression der Co-Kultur-Screening-Gensignatur. (be) Die Signifikanz wurde durch einen Wald-Test (Cox-Regression) mit Bonferroni-Mehrfachvergleichskorrektur (zweiseitiges padj < 0,05) bestimmt. (fi) Log-Rank-Test (Kaplan-Meier-Überlebensanalyse), angepasst (padj) mit Benjamini-Hochberg-Mehrfachvergleichskorrektur. (c, z. B.) Die Signalwegsignaturniveaus wurden geschätzt, indem der Vergleich auf Gene beschränkt wurde, die sich zwischen der Co-Kultur-Screen-Treffersignatur und dem Signalweg überlappten.
(a) BTN3A1-Expressionskorrelation mit Genontologiepfaden (GO) in Tausenden von gesunden Proben (alle Gewebe zusammen), zusammengestellt von Correlation AnalyzeR. Um Pfade zu bestimmen, die mit BTN3A1 korrelieren, werden genomweite Pearson-Korrelationen für BTN3A1 als Ranking-Metrik im GSEA-Algorithmus verwendet, der den Padj-Wert bestimmt. (b) Paarweise Korrelationen zwischen der Expression von BTN3A1 und den gezeigten Genen in Tausenden von gesunden Proben (alle Gewebe zusammen) (Correlation AnalyzeR). (c) Jede vertikale Linie zeigt die Korrelation zwischen der Expression von BTN3A1 und einem der Gene im KEGG-Gensatz für oxidative Phosphorylierung (OXPHOS), überlagert mit einem Dichtediagramm der paarweisen Korrelationen von BTN3A1 mit Genen im gesamten menschlichen Genom. Daten aus gesundem Immungewebe (Correlation AnalyzeR).
(a–c) Paarweise Vergleiche signifikanter (FDR < 0,01) und nicht signifikanter Ergebnisse zwischen den drei Replikaten (Rep) der Daudi-Cas9-Zellpopulationen, die für das BTN3A-Expressionsscreening verwendet wurden. (d) Korrelation der Bildschirmeffektgrößen (LFC) zwischen konkordanten Treffern, getrennt in positive und negative Regulatoren der BTN3A-Oberflächenexpression. Dargestellt ist eine lineare Regressionslinie mit einem 95 %-Konfidenzintervall. (e) Oberflächen-BTN3A-Färbung auf lebenden Daudi-Cas9-Zellen, die 72 Stunden lang mit Zoledronat (ZOL), einem Inhibitor von FDPS, behandelt wurden. n = 3 pro ZOL-Dosis, repräsentative Daten aus einem von drei unabhängigen Experimenten. Vergleich zwischen einfaktorieller ANOVA und keiner Behandlung mit dem Mehrfachvergleichstest von Dunnett. (f) Oberflächen-BTN3A-Färbung auf lebenden Daudi-Cas9-FDPS-KO- oder Kontroll-AAVS1-KO-Zellen an den angegebenen Tagen nach der lentiviralen sgRNA-Transduktion. n = 4 für jedes KO. Einweg-ANOVA-Vergleich mit Daudi-Cas9 AAVS1 (#5) KO-Zellen mit dem Mehrfachvergleichstest von Dunnett. Daten aus einem Experiment. (e, f) Mittelwert ± SD. p < 0,0001 (****), p < 0,001 (***), p < 0,01 (**). (g) GSEA von KEGG-Gensätzen, die die Oberflächen-BTN3A-Expression positiv oder negativ regulieren. Anzahl der Gene, die in jedem KEGG-Gensatz enthalten sind, nachdem Gene herausgefiltert wurden, die nicht im Bildschirmdatensatz enthalten waren, und FDR-Q-Werte werden angezeigt.
Quelldaten
(a–d) Schematische Darstellung der Abreicherung und Anreicherung von KOs innerhalb der (a) oxidativen Phosphorylierung, (b) Eisen-Schwefel (Fe-S)-Cluster-Biogenese, (c) N-Glykan-Biosynthese, (d) und Sialylierungswege darüber beide Bildschirme. Die Schattierung zeigt an, dass log2FC nur für signifikante Treffer angezeigt wird (FDR < 0,05). Alle Pfade wurden von WikiPathways übernommen. (a) OXPHOS-Untereinheiten werden mit abgekürzten Namen ohne begleitende Präfixe angezeigt (CI: NDUF; C II: SDH; C III: UQCR, C IV: COX; CV: ATP5) (z. B. B4 in CI ist NDUFB4). Von mitochondrialen Genen kodierte Untereinheiten sind in der Visualisierung nicht enthalten.
(a) Heatmap der Hazard-Verhältnisse (natürlich logarithmisch transformiert), die mit der BTN3A-Screening-Gensignatur bei TCGA-Patienten für 33 Krebsarten verbunden sind (ein positives Log-Verhältnis weist auf eine schlechtere Prognose hin und ein negatives weist auf eine schützende Wirkung der Gensignatur hin). ). Die BTN3A-Screening-Gensignatur wurde auf Mittelwert = 0, SD = 1 skaliert. Die Werte werden nur für Krebstypen mit signifikanter Überlebens- und Signaturassoziation bei Patiententumoren angezeigt, bestimmt durch einen Wald-Test mit Benjamini-Hochberg-Mehrfachvergleichskorrektur (zweiseitiges Padj < 0,05). (bd) Überleben von (b) Gesamtüberleben, (c) TRGV9/TRDV2-hoch/niedrig oder (d) TRAC/TRBC-hoch/niedrig LGG-Patienten, aufgeteilt nach hoher und niedriger Expression der BTN3A-Expressionsscreen-Gensignatur. Log-Rank-Test (Kaplan-Meier-Überlebensanalyse) und Wald-Test (Cox-Regression), angepasst (padj) mit Benjamini-Hochberg-Mehrfachvergleichskorrektur.
(a) Repräsentative Histogramme der Oberflächen-BTN3A-Fluoreszenz für eine Untergruppe einzelner Daudi-Cas9-KOs und die AAVS1-Kontrolle. (b) G115-Klon Vγ9Vδ2 TCR-Tetramer-Färbungsfluoreszenz (MFI) 14 Tage nach der lentiviralen sgRNA-Transduktion. Daten aus einem Experiment. AAVS1 KO n = 12, BTN3A1 KO n = 3, alle anderen Deletionen n = 6. (c, d) qPCR-Daten für (c) BTN3A2- und (d) BTN2A1-Transkripte, normalisiert auf ACTB-Transkripte. n = 5–6 (außer RER (#1) KO n = 4 für BTN2A1), AAVS1 KO n = 12, Daten kombiniert aus zwei unabhängigen Experimenten. (bd) Einfaktorielle ANOVA mit dem Mehrfachvergleichstest von Dunnett. Mittelwert ± SD. p < 0,0001 (****), p < 0,001 (***), p < 0,01 (**), p < 0,05 (*).
Quelldaten
(a) Öffentlich verfügbare IRF1-ChIP-Seq für den Butyrophilin-Locus in K562-Zellen, die stabil C-terminales eGFP-markiertes IRF1 (ENCODE) exprimieren. (b–d) CUT&RUN-Daten für die IRF1- und ZNF217-Bindung an Promotoren in (b) BTN3A1-, (c) BTN3A2- und (d) BTN3A3-Loci in WT-Daudi-Cas9-Zellen. n = 3 pro Bedingung. Der Algorithmus SEACR ruft Spitzen ab und verifiziert sie oberhalb eines strengen Hintergrundsignalschwellenwerts. (e) Daudi-Cas9-KO-Überleben nach 24-stündiger Co-Kultur mit expandierten Vγ9Vδ2-T-Zellen in Gegenwart von ZOL bei einem E:T-Verhältnis von 2:1. Für jeden γδ-T-Zellspender wird das Daudi-Überleben im Verhältnis zu Daudi-Zellen berechnet, die ohne T-Zellen kultiviert wurden, und auf das Überleben der Daudi-Cas9 AAVS1 KO-Kontrollzellen normalisiert. Kombinierte Daten von drei Spendern und zwei unabhängigen Experimenten. AAVS1 KO n = 6, IRF1 KO n = 3. Einweg-ANOVA-Vergleich mit AAVS1 KO-Zellen mit dem Mehrfachvergleichstest von Dunnett. Mittelwert ± SD. p < 0,01 (**).
Quelldaten
(a) Oberflächen-BTN3A-MFI in Daudi-Cas9-KOs, kultiviert in verschiedenen Pyruvatkonzentrationen für 3 Tage in RPMI (keine Glucose, kein Pyruvat). Normalisiert auf Zellen, die ohne Pyruvat (0 mM) gewachsen sind. (bd, f) Oberflächen-BTN3A-MFI in Daudi-Cas9-Zellen, behandelt für 72 Stunden mit (b) einem mTOR-Inhibitor (Rapamycin), einem ISR-Inhibitor (ISRIB), ISR-Agonisten (Guanabenz, Sal003, Salubrinal, Raphin1, Sephin1) und DMSO (Vehikel) (KO-Zellen); (c) Metformin (WT-Zellen); (d) A-769662 im Vergleich zu äquivalenten Mengen DMSO (Vehikel) (WT-Zellen); oder (f) die gezeigten Verbindungen (KO-Zellen). (e) Oberflächen-BTN3A-MFI in WT-Daudi-Cas9-Zellen, die gleichzeitig mit AICAR und steigenden Mengen an Verbindung C (AMPK-Inhibitor) oder DMSO (Vehikel) behandelt wurden. (a) n = 4 pro Bedingung (n = 3, TIMMDC1 (#2) bei 0 mM), Daten kombiniert aus zwei unabhängigen Experimenten, jedes einzeln normalisiert. (b) n = 6 pro Bedingung (außer n = 5 für AAVS1 (#5) mit Guanabenz und für PPAT (#1) mit Salubrinal), Daten kombiniert aus zwei unabhängigen Experimenten, jeweils einzeln normalisiert auf DMSO (Vehikel)-behandelte Zellen . (c) n = 8 pro Bedingung, Daten kombiniert aus zwei unabhängigen Experimenten. Einseitiger ANOVA-Vergleich mit Zellen, die keine Behandlung mit dem Mehrfachvergleichstest von Dunnett erhalten haben. (d) n = 3 pro Bedingung, repräsentative Daten aus einem von zwei unabhängigen Experimenten. (e) n = 3 pro Bedingungen, repräsentative Daten aus einem von zwei unabhängigen Experimenten. Zweiseitiger ungepaarter Student-t-Test mit Bonferroni-Korrektur. (f) n = 3 pro Bedingung (n = 2 für AMPKα1 (#1), behandelt mit DMSO), repräsentative Daten aus einem von zwei unabhängigen Experimenten. Einweg-ANOVA-Vergleich mit AAVS1 (#5) KO-Zellen mit dem Mehrfachvergleichstest von Dunnett. (af) Mittelwert ± SD. p < 0,0001 (****), p < 0,001 (***), p < 0,01 (**), p < 0,05 (*), p > 0,05 (NS).
Quelldaten
(a) G115-Klon Vγ9Vδ2 TCR-Tetramer-Färbung des MFI von WT-Daudi-Cas9-Zellen, behandelt mit 80 µM C991 (DMSO), DMSO (Vehikel), 0,5 mM AICAR (wässrig) oder ohne Behandlung für 72 Stunden. Zweiseitiger, ungepaarter Student-T-Test. (b) Vγ4Vδ1 TCR (Klon DP10.7) Tetramer-Färbungsfluoreszenz (MFI) von Daudi-Cas9 KO-Zellen, behandelt mit 80 µM C991 (DMSO), DMSO (Vehikel), 0,5 mM AICAR (wässrig) oder Wasser für 72 Stunden. Diese Färbung mit einem Tetramer eines irrelevanten γδTCR-Klons definiert den Hintergrund für die Vγ9Vδ2-TCR-Tetramer-Färbung in Abb. 4a. (c) qPCR-Daten für BTN2A1-, BTN3A1- und BTN3A2-Transkripte in mit C991 behandelten Daudi-Cas9-Zellen, intern auf ACTB-Transkripte normalisiert und auf mit DMSO (Vehikel) behandelte Zellen normalisiert. Zweiseitiger, ungepaarter Student-T-Test. (d) IgG1κ-Isotyp-Kontrollfärbung in Daudi-Cas9-KO-Zellen, die 72 Stunden lang mit 80 µM Verbindung 991 (DMSO), DMSO (Vehikel), 0,5 mM AICAR (wässrig) oder Wasser (Vehikel) behandelt wurden. (e) Überleben von eGFP+ Daudi-Zellen, die vor der Co-Kultur (E:T 2:1) mit primären Vγ9Vδ2-T-Zellen 3 Tage lang mit AICAR oder Wasser behandelt wurden, in Gegenwart eines Anti-BTN3A-Antikörpers (Klon 103.2). Die Zellen wurden mithilfe der quantitativen Live-Cell-Bildgebung in Echtzeit (Incucyte) quantifiziert. Das Überleben wurde auf Daudi-Zellen normalisiert, die ohne T-Zellen kultiviert wurden. (a) n = 4 pro Bedingung, repräsentative Daten aus einem von zwei unabhängigen Experimenten. (b) n = 3 pro Bedingung, repräsentative Daten aus einem von zwei unabhängigen Experimenten. (c) n = 4 pro Bedingung, repräsentative Daten aus einem von drei unabhängigen Experimenten. (d) n = 3, repräsentative Daten aus einem von zwei unabhängigen Experimenten. (e) n = 4 pro Bedingung. (ae) Mittelwert ± SD. p < 0,0001 (****).
Quelldaten
Inhaltsverzeichnis und ergänzende Abbildung 1.
Ergebnisse des Kokultur-Screenings nach einzelnen Genen. Die statistische Signifikanz wurde mit dem MAGeCK RRA-Test bewertet, gefolgt von einer Anpassung für mehrere Vergleiche. Zur Bestimmung der Signifikanz wurden FDR-Werte verwendet.
Ergebnisse des Kokultur-Screenings nach einzelnen sgRNAs. Die statistische Signifikanz wurde mit dem MAGeCK RRA-Test bewertet, gefolgt von einer Anpassung für mehrere Vergleiche. Zur Bestimmung der Signifikanz wurden FDR-Werte verwendet.
Negativ angereicherte Kokultur-Screening-Gensätze für den KEGG-Signalweg.
LGG-TCGA-Analyse mit einzelnen Genen aus der Cokultur-Screen-Signatur. Wald-Test-Z-Scores und unbereinigte zweiseitige P-Werte.
LGG-TCGA-Analyse mit Pfaden aus der Kokultur-Screensignatur. Wald-Test-Z-Scores und unbereinigte zweiseitige P-Werte.
Ergebnisse des BTN3A-Expressionsscreenings nach einzelnen Genen. Die statistische Signifikanz wurde mit dem MAGeCK RRA-Test bewertet, gefolgt von einer Anpassung für mehrere Vergleiche. Zur Bestimmung der Signifikanz wurden FDR-Werte verwendet.
Ergebnisse des BTN3A-Expressionsscreenings nach einzelnen sgRNAs. Die statistische Signifikanz wurde mit dem MAGeCK RRA-Test bewertet, gefolgt von einer Anpassung für mehrere Vergleiche. Zur Bestimmung der Signifikanz wurden FDR-Werte verwendet.
Für die Methoden relevante Primer.
Validierung von sgRNAs.
Details zum qPCR-Sonden-Assay.
DP10.7 gdTCR-Tetramersequenzen.
Zusätzliche Gensignaturen.
Springer Nature oder sein Lizenzgeber (z. B. eine Gesellschaft oder ein anderer Partner) besitzen die ausschließlichen Rechte an diesem Artikel im Rahmen einer Veröffentlichungsvereinbarung mit dem Autor bzw. den Autoren oder anderen Rechteinhabern. Die Selbstarchivierung der akzeptierten Manuskriptversion dieses Artikels durch den Autor unterliegt ausschließlich den Bedingungen dieser Veröffentlichungsvereinbarung und geltendem Recht.
Nachdrucke und Genehmigungen
Mamedov, MR, Vedova, S., Freimer, JW et al. CRISPR-Screenings entschlüsseln die Signalwege von Krebszellen, die die Erkennung von γδ-T-Zellen auslösen. Natur (2023). https://doi.org/10.1038/s41586-023-06482-x
Zitat herunterladen
Eingegangen: 24. Januar 2022
Angenommen: 26. Juli 2023
Veröffentlicht: 30. August 2023
DOI: https://doi.org/10.1038/s41586-023-06482-x
Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:
Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.
Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt
Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.