二、Th1细胞的生物学特征Th1细胞是CD4+辅助性T细胞的重要功能亚群,以产生干扰素-γ(IFN-γ)为主要特征,同时分泌IL-2和淋巴毒素等效应分子。 Th1细胞也参与抗肿瘤免疫应答,通过活化CD8+细胞毒性T细胞和自然杀伤细胞,增强对肿瘤细胞的杀伤作用。三、T细胞发育与Th1分化调控(一)胸腺发育阶段T细胞发育的第一阶段发生于胸腺。 这一精细调控网络确保Th1细胞在抗感染免疫中快速扩增并维持功能。四、人Th1极化套装的技术原理人Th1极化套装针对初始CD4+ T细胞的体外定向分化需求进行优化设计。 其核心原理是在T细胞受体刺激的基础上,提供模拟体内Th1极化微环境的细胞因子组合,驱动初始T细胞向Th1谱系分化。 五、总结人Th1极化套装基于对Th1分化调控机制的深入理解,通过优化的细胞因子组合和激活条件,为人Th1细胞的体外定向分化提供高效、可控的标准化工具。
内容概要Elabscience 人Th1/Th2 流式细胞术染色试剂盒是一款专为辅助性 T 细胞亚群检测打造的四色荧光标记试剂盒,可一步法同时检测细胞表面与细胞内抗原,精准识别 Th1、Th2 细胞比例 人Th1/Th2 流式细胞术染色试剂盒介绍Th细胞,也称为辅助性T细胞,在静息状态下,Th0分化为Th1,Th2和Th17的能力非常弱,外周血中仅有极少量的Th1,Th2和Th17细胞,而当Th细胞受到外界因素刺激 ,Th0就会向Th1,Th2或Th17分化,具体分化趋向取决于微环境中细胞因子的种类,此时,通过检测样本中IFN-γ,IL-4或IL-17A的表达量,可知Th1,Th2或Th17细胞在活化的T淋巴细胞中的比例 ,将CD3+CD4+IFN-γ+ 细胞定义为 Th1 细胞,CD3+CD4+IL-4+ 细胞定义为 Th2 细胞,进而实现对两种细胞亚群的精准分选与比例定量,反映机体 Th1/Th2 细胞的分化与平衡状态 应用领域Elabscience 人Th1/Th2 流式细胞术染色试剂盒可用于体外淋巴细胞样本或实验模型培养细胞的检测,核心应用方向包括:免疫机制研究:探究 Th0 细胞向 Th1/Th2 定向分化的调控机制
necrosis factor, TNF) 5.生长因子(growth factor, GF) 6.趋化因子(chemokin) 固有免疫应答中的重要细胞因子 细胞因子 细胞来源 主要生物学效应 、某些表皮细胞 1)活化内皮细胞、介导炎症;2)引起发热;3)促进肝脏合成急性期蛋白;4)诱导Th17细胞分化;5)诱导抗原提呈细胞上调MHC II类分子、黏附分子以及IFN-r的表达; IL-6 单核 MHC II类分子;2)诱导B细胞抗体类别转换,产生IgE;3)促进Th2细胞分化,抑制Th1细胞分化;4)抑制IFN-r介导的巨噬细胞活化;5)促进肥大细胞增殖(体外);6)联合IL-13诱导M2型巨噬细胞分化 ; IFN-r T细胞(Th1、CD8+T)、NK细胞 1)促进巨噬细胞活化及杀菌功能;2)诱导B细胞抗体类别转换,产生IgG,抑制IgE产生;3)诱导Th1细胞分化,抑制Th2,Th17细胞分化;4) 上调多种细胞MHC I类分子、MHC II类分子表达,促进其抗原加工提呈功能; TGF-b T细胞、巨噬细胞、其它细胞 1)抑制T细胞增殖及效应;2)参与Treg细胞分化,协同IL-1和IL-6参与Th17
内容概要Elbabscience 人 Th1/Th2 流式细胞术染色试剂盒是专为免疫检测设计的工具,采用四色荧光标记抗体混合物,可特异性结合目标抗原,实现对人 Th1、Th2 细胞的快速精准检测。 背景介绍辅助性 T 细胞(Th 细胞)是免疫系统的核心调控细胞,静息状态下的 Th0 细胞分化能力微弱,外周血中 Th1、Th2 等亚型细胞含量极低。 当受到外界刺激时,Th0 会在微环境细胞因子的调控下定向分化为 Th1 或 Th2 细胞,其分化平衡与免疫应答、疾病发生发展密切相关。 针对性应用场景基础免疫机制研究适用场景:探究 Th1/Th2 细胞分化的分子机制、微环境细胞因子对分化的调控作用等基础研究。 核心价值:支持新鲜全血、外周血单个核细胞等多种样本,可快速获取 Th1/Th2 细胞比例变化,为疾病发病机制研究提供关键数据。
(二)CD4+效应T细胞与CTL相似,产生IFN-γ的Th1细胞在分化后下调IFNGR2表达,从而提高其在TME中的存活率,发挥抗肿瘤效应。 Th1细胞通过T-bet抑制RUNX1,阻止向Th17细胞极化。IFN-γ通过SOCS1及T-bet双重机制抑制Th2极化,分别阻断IL-4受体信号及GATA3功能。 TCR刺激下,IFNGR1与STAT1共定位于免疫突触,形成"Th1细胞准备"状态,这一过程可被Th2细胞的IL-4R表达所抑制。 值得注意的是,肿瘤浸润效应T细胞上PD-1的表达可抑制Th1分化,形成负反馈回路限制IFN-γ产生。 在B细胞中,IFN-γ与B细胞受体及CD40信号协同,诱导生发中心转录因子BCL-6表达,并与IL-12协同促进抗体类别转换至IgG2a,增强抗体依赖性细胞毒性。
内容概要Elabscience 人Th17 流式细胞术染色试剂盒,凭借三色荧光标记抗体混合物,可快速精准检测人 Th17 细胞,兼容细胞表面与细胞内抗原同步检测,适用于外周血单个核细胞、新鲜全血等样本, Th细胞,也称为辅助性T细胞,在静息状态下,Th0分化为Th1,Th2和Th17的能力非常弱,外周血中仅有极少量的Th1,Th2和Th17细胞,而当Th细胞受到外界因素刺激,Th0就会向Th1,Th2或 Th17分化,具体分化趋向取决于微环境中细胞因子的种类,此时,通过检测样本中IFN-γ,IL-4或IL-17A的表达量,可知Th1,Th2或Th17细胞在活化的T淋巴细胞中的比例。 背景介绍辅助性 T 细胞(Th 细胞)在免疫调节中发挥关键作用,静息状态下的 Th0 细胞分化为 Th1、Th2、Th17 细胞的能力极弱,外周血中这类细胞数量极少。 本试剂盒通过特异性结合这三种标志物的三色荧光标记抗体,与样本细胞反应后,借助多色流式细胞仪检测 CD3+CD4+IL-17A + 细胞群体,从而确定 Th17 细胞在活化 T 淋巴细胞中的比例。
单点检测三大误区误区一:免疫方向只看一个标志容易“看走眼”检测到 IFN-γ 升高,就是Th1免疫激活了?但需要考虑:有没有IL-12配合,微环境支不支持? 误区三:炎症风暴抓到一瞬间≠看清全过程检测到IL-6 升高,代表有炎症。但需要考虑:这是风暴的起始阶段、高峰期还是消退期?检测到sCD25 持续高,说明T细胞异常活跃。 接下来,跟着小E一起看看多指标联检,能为你的研究带来哪些实实在在的不同:解析免疫应答主导类型,不再只是Th1/Th2二选一Ÿ Th1型:IFN-γ、IL-2、IL-12p70,主导抗病毒、抗肿瘤的细胞免疫 Ÿ Th17型:IL-17A、IL-6,驱动自身免疫病及黏膜防御。Ÿ 调节型:IL-10、TGF-β1,介导免疫抑制与耐受。 Ÿ IL-8:主要趋化中性粒细胞,参与急性防御,也可介导慢性组织损伤。全景监测细胞因子风暴Ÿ 初始应答:IL-1β、TNF-α。Ÿ 级联放大:IL-6、G-CSF、GM-CSF。
与非COVID-19相比,观察到COVID-19患者的CD4+ TH17细胞略少,但TH1样细胞更多。比较轻度和重度COVID-19,发现后者的TH1样细胞显著增加(图2d, e)。 COVID-19的TH1样细胞系中TCR的丰度和均匀度均降低,而非COVID-19的TH1样细胞系中TCR的丰度和均匀度均降低(图4h)。同时这种减少在关键的COVID-19病例中最为显著(图4i)。 相比之下,TH17细胞和TSCM细胞的特征是仅在其运动轨迹的末端TCR丰度略有下降,这表明主要是TH1样细胞被特异性选择为SARS-CoV-2 抗原。 分析了1410个树突细胞(cDC),并分为6个群体(图6f)。 与非COVID-19相比,COVID-19中成熟幼稚B细胞和活跃的浆细胞增加(图6)。 图 6 COVID-19 BAL中的中性粒细胞、树突状细胞和B细胞表型 6.
辅助性T细胞:主要通过信号传导支持其他免疫细胞的功能。根据它们分泌的细胞因子不同,可以分为多个亚型(Th1,Th2,Th9,Th17,Th22,Tfh),每种亚型在免疫应答中发挥不同的作用。 (CCR7);中央记忆T细胞,Tcm(ANXA1,TCF7);效应记忆/效应T细胞,Temra/Teff(GNLY);Treg细胞(FOXP3, CTLA4);Th1细胞(IFNG,CXCL13);Tem /Th1细胞(IFNG,GZMK,BHLHE40);Th17细胞(IL23R);Tfh细胞(CXCR5);组织驻留记忆T细胞,Trm(CXCR6);固有层Trm细胞,P.Trm(CD6);CD4_markers_step3 = c("IFNG","CXCL13"), `Th1/Th1`=c("GZMK","BHLHE40"), Th17=c("IL23R"), Tfh=c("CXCR5"), Trm=c("CXCR6 ,第0,1,2,4,5,11,14簇可能是记忆性T细胞(Tcm),第5簇可能是Th1细胞。
(ISG)-阳性T细胞;杀伤细胞免疫球蛋白-如受体(KIR)-阳性自然杀伤(NK)-如T细胞、ZNF683+CXCR6+组织驻留记忆T细胞(Trm细胞)和CD8+区室中的四个耗竭CD8+T细胞(Tex细胞 Tex细胞],第二条路径(P2)通过ZNF683+Trm细胞(原始细胞到IL7R+Tm细胞到ZNF683+CXCR6+Trm细胞到终端Tex细胞)(图2B和C)。 两个与TFH细胞相关的元簇显示出从经典IL21+TFH细胞到IFNG+TFH/TH1细胞的逐渐转变过程(图3A和B)。 一个模块由三个ISG+元簇组成,而四个CD8+Tex细胞群、TFH/TH1细胞和TNFRSF9+Treg细胞形成另一个模块。 C3至C8的肿瘤具有低频率的终末Tex细胞和高频率的CD8+ZNF683+CXCR6+Trm细胞,可进一步分为以幼稚T细胞(C7)、富集幼稚T细胞(C8)、富集Temra 细胞(C6)、富集Tc17或TH17
可能是因为这些树突状细胞、M1巨噬细胞、B细胞以及激活的CD4和CD8 T细胞的存在,赋予了cluster1患者显著的存活优势。 为了构建能够量化每位患者的模型,作者使用 LASSO-Cox回归模型以最小λ保留22个差异基因中的6个,并使用这6个基因构建与焦亡相关的特征评分(图4D,表1)。 Figure 5 06 细胞焦亡相关调控因子与肿瘤微环境 作者在队列中分析了细胞焦亡基因与TME细胞的浸润情况(图6E-G)。 免疫激活相关细胞,如激活的T细胞、NK细胞、M1巨噬细胞、树突状细胞、中性粒细胞,与焦亡模型呈负相关。较高的分数与静息记忆细胞、单核细胞、肥大细胞、癌症相关成纤维细胞和内皮细胞密切相关。 Figure 6 07 细胞焦亡模型在Anti-PD1/PD-L1免疫治疗中的作用 作者首先在ACRG队列和TCGA-STAD队列中检查了不同细胞焦亡模型免疫检查点的表达变化,发现低评分组免疫检查点基因表达水平较高
截止到2020年6月底,全世界范围有671项CAR-T细胞治疗的临床试验在进行中(1)。 Jianshu Wei et al. Genomics Proteomics Bioinformatics的一篇名为Single-cell Analysis of CAR-T Cell Activation Reveals A Mixed TH1 一些转录因子基因TBX21(T-bet)和GATA3及细胞因子基因IFNG(IFNc),TNF (TNFa),IL5 (IL5),和IL13(IL13)等,说明TH1/TH2响应在其中发生。 通过TGFB1和IL10的表达,可以推测CAR-T细胞具有Treg细胞活性,这部分细胞占比很低,另外大多数的CAR-T细胞还可以产生粒细胞-巨噬细胞集落刺激因子(GM-CSF),且细胞因子的响应依赖于分化状态 Single-cell Analysis of CAR-T Cell Activation Reveals A Mixed TH1/TH2 Response Independent of Differentiation
对斑马鱼的免疫成分单细胞研究[表 2-6] 为群体进化的研究提供了参考。 2)利用单细胞技术发现新细胞类型和细胞状态[Nguyen A et al. Front. Immunol. 2018]。 表 2-6 斑马鱼免疫细胞单细胞研究 免疫性疾病研究 观察免疫细胞在健康和病理环境中的组成和发展轨迹,有助于了解人类疾病的发生和发展[Anna Metal. 对脾脏和血液进行 scRNA-seq 发现,小鼠和人在器官和物种之间 存在相似性(图 2-6)[Crinier A et al. Lonnberg 基于 scRNA-seq 重建了疟疾模 型小鼠 Th1 和 Tfh 细胞的发育轨迹[Lonnberg T et al. Sci. Immunol. 2017],并证明了 Galectin-1 (半乳糖凝集素 1)在支持 Th1 分化中的 T 细胞内在作用。
在这项研究中,作者开发了一种光诱导的纳米银核酸递送系统,它具有精确的时空调控、高细胞摄取、低细胞毒性、内涵体逃逸功能并可将治疗性miRNA释放到胞浆中。 本文将外源性miR-148B导入Ras表达的角质形成细胞和小鼠鳞状细胞癌细胞中诱导凋亡,避免了对未表达的角质形成细胞的细胞毒性。 Th1细胞,起到强大的免疫调节作用。 此外,该递送系统对辅助性T细胞具有特异性的免疫调节作用,导致SNP-DAmiR148b处理的小鼠肿瘤抑制和脾脏中Th1细胞的增加。 这一策略为肿瘤治疗提供了一种有效的方法,具有特异性,对健康组织的副作用最小,增强Th1为主的细胞免疫。
每个簇与一种独特的基因表达模式相关,表明一种不同的细胞类型(图S6E),而簇在mc38和Renca肿瘤中都被大量识别(图S6F)。 流式细胞仪证实了这些scRNA-seq结果。抗cd40治疗在肿瘤中增加效应CD8+T细胞并恢复PD1+耗尽的CD8+T细胞(图6D 6G)。 进一步解剖ccl5 +Tem亚群的TCR克隆类型,发现克隆扩张率高的细胞在肿瘤和tdLN中表现出更多的TCR共享,表明这些细胞supon抗cd40处理具有更强的流动性(图6H、6I、S7J和表S6B)。 进一步分析人类CRC患者中ofifng表达bhlhe40 + th1样细胞与cDC细胞的相关性,发现th1样细胞的基因标记与成熟和未成熟cDC1细胞优先呈正相关。 + th1样CD4+T细胞快速扩增。
图b是进行了6次QC,每一次过滤掉一些细胞,最后得到了500K 大部分样本的细胞数量在2k左右 ? and RORC) type 1 helper T cells (TH1; C-17, CXCR3+ and IFNG and TBX21) heterogeneous continuum of intermediate TH1/TH17 states (C-13, C-16 and C-19) with varying degrees of CXCR3, CCR6, CCR5 and CD161 surface protein 又找到了C-12 surface markers:CD4+CD26+CD161+CCR6+ ,这些marker已经被证明了以下功能: IL-17-producing TH17 state CD26 is co-stimulatory molecule that promotes cytotoxicity CD161 is associated with innate-like function CCR6
和耗竭标志物(HAVCR2、LAG3)的 CD8+ T 细胞,以及以 T-helper-1 表达为特征的 CD4+ T 细胞(IFNG)和滤泡辅助 (BCL6, CXCR5) 标志物。 随后的分析确定了分群:恶性乳腺上皮细胞、免疫细胞、内皮细胞和成纤维细胞(如上图)。 TN连接到TEM细胞,TEM细胞分叉成三种不同的轨迹,形成TEX1和TEX2细胞、滞留记忆CD8+ T细胞(TRM)和激活效应/记忆T细胞(TEMRA细胞)。 经验丰富的TEX细胞分裂为1型辅助细胞(TH1)和滤泡辅助细胞(TFH) T细胞扩增过程中基因表达的变化 作者沿着 CD8+ TEX 轨迹确定了五组差异表达基因 (DEG)。 沿着 CD4+ TH1 轨迹,作者在比较 Es 与 NE时类似地确定了五个基因集(图e)和 499 个 DEG,包括潜在的 TH1 标记,如 ZEB2(图f)。
和耗竭标志物(HAVCR2、LAG3)的 CD8+ T 细胞,以及以 T-helper-1 表达为特征的 CD4+ T 细胞(IFNG)和滤泡辅助 (BCL6, CXCR5) 标志物。 随后的分析确定了分群:恶性乳腺上皮细胞、免疫细胞、内皮细胞和成纤维细胞(如上图)。 TN连接到TEM细胞,TEM细胞分叉成三种不同的轨迹,形成TEX1和TEX2细胞、滞留记忆CD8+ T细胞(TRM)和激活效应/记忆T细胞(TEMRA细胞)。 经验丰富的TEX细胞分裂为1型辅助细胞(TH1)和滤泡辅助细胞(TFH) T细胞扩增过程中基因表达的变化 作者沿着 CD8+ TEX 轨迹确定了五组差异表达基因 (DEG)。 沿着 CD4+ TH1 轨迹,作者在比较 Es 与 NE时类似地确定了五个基因集(图e)和 499 个 DEG,包括潜在的 TH1 标记,如 ZEB2(图f)。
单细胞学习笔记-day4 python单细胞学习笔记-day4(续) python单细胞学习笔记-day5 今天继续学习视频:python_day6 ! touch day6.ipynb 课前准备操作到 23:52 本次课程需要用到的模块,提前安装好: 永久镜像设置: #永久设置镜像 pip config set global.index-url https sc.logging.print_header() # 查看主要包库的版本 sc.settings.set_figure_params(dpi=80, facecolor="white") 2.读取数据 day6/ data文件夹下面是标准的10x上游cellranger的输出结果:barcodes.tsv genes.tsv matrix.mtx adata = sc.read_10x_mtx( "day6/ # 转换成矩阵 adata[0:6, ['CD3D','TCL1A','MS4A1']].X.toarray() # 转换成数据框 adata[0:6, ['CD3D','TCL1A','MS4A1'
单细胞专题 | 1.单细胞测序(10×genomics技术)的原理 单细胞专题 | 2.如何开始单细胞RNASeq数据分析 单细胞专题 | 3.单细胞转录组的上游分析-从BCL到FASTQ 单细胞专题 | 4.单细胞转录组的上游分析-从SRA到FASTQ 单细胞专题 | 5.单细胞转录组的上游分析-从FASTQ到count矩阵 ---- 1.数据读入 Cell Ranger生成的主要表格文件主要包括 y = c(sceList[[2]],sceList[[3]],sceList[[4]], sceList[[5]],sceList[[6] y = c(sceList[[2]],sceList[[3]],sceList[[4]], sceList[[5]],sceList[[6] barcodes,所有定量的基因和每个细胞的UMI矩阵。