Prior antigenic exposure induces cognate memory responses in B cells. Shlomchik and colleagues show that CD80 and PD-L2 define functionally distinct memory B cells. Memory B cells (MBCs) are long-lived sources of rapid, isotype-switched secondary antibody-forming cell (AFC) responses. Whether MBCs homogeneously retain the ability to self-renew and terminally differentiate or if these functions are compartmentalized into MBC subsets has remained unclear. It has been suggested that antibody isotype controls MBC differentiation upon restimulation. Here we demonstrate that subcategorizing MBCs on the basis of their expression of CD80 and PD-L2, independently of isotype, identified MBC subsets with distinct functions upon rechallenge. CD80+PD-L2+ MBCs differentiated rapidly into AFCs but did not generate germinal centers (GCs); conversely, CD80−PD-L2− MBCs generated few early AFCs but robustly seeded GCs. The gene-expression patterns of the subsets supported both the identity and function of these distinct MBC types. Hence, the differentiation and regeneration of MBCs are compartmentalized.

Abstract Vaccines are among the most cost-effective public health interventions for preventing infection-induced morbidity and mortality, yet much remains to be learned regarding the mechanisms by which vaccines protect. Systems immunology combines traditional immunology with modern ‘omic profiling techniques and computational modeling to promote rapid and transformative advances in vaccinology and vaccine discovery. The NIH/NIAID Human Immunology Project Consortium (HIPC) has leveraged systems immunology approaches to identify molecular signatures associated with the immunogenicity of many vaccines, including those targeting seasonal influenza, yellow fever, and hepatitis B. These data are made available to the broader scientific community through the ImmuneSpace data portal and analysis engine leveraging the NIH/NIAID ImmPort repository 1,2 . However, a barrier to progress in this area is that comparative analyses have been limited by the distributed nature of some data, potential batch effects across studies, and the absence of multiple relevant studies from non-HIPC groups in ImmPort. To support comparative analyses across different vaccines, we have created the Immune Signatures Data Resource, a compendium of standardized systems vaccinology datasets. This data resource is available through ImmuneSpace , along with code to reproduce the processing and batch normalization starting from the underlying study data in ImmPort and the Gene Expression Omnibus (GEO). The current release comprises 1405 participants from 53 cohorts profiling the response to 24 different vaccines and includes transcriptional profiles and antibody response measurements. This novel systems vaccinology data release represents a valuable resource for comparative and meta-analyses that will accelerate our understanding of mechanisms underlying vaccine responses.

Germinal centers (GC) are microanatomical lymphoid structures where affinity-matured memory B cells and long-lived bone marrow plasma cells are primarily generated. It is unclear how the maturation of B cells within the GC impacts the breadth and durability of B cell responses to influenza vaccination in humans. We used fine needle aspiration of draining lymph nodes to longitudinally track antigen-specific GC B cell responses to seasonal influenza vaccination. Antigen-specific GC B cells persisted for at least 13 wk after vaccination in two out of seven individuals. Monoclonal antibodies (mAbs) derived from persisting GC B cell clones exhibit enhanced binding affinity and breadth to influenza hemagglutinin (HA) antigens compared with related GC clonotypes isolated earlier in the response. Structural studies of early and late GC-derived mAbs from one clonal lineage in complex with H1 and H5 HAs revealed an altered binding footprint. Our study shows that inducing sustained GC reactions after influenza vaccination in humans supports the maturation of responding B cells.

The seasonal influenza vaccine is an important public health tool but is only effective in a subset of individuals. The identification of molecular signatures provides a mechanism to understand the drivers of vaccine-induced immunity. Most previously reported molecular signatures of influenza vaccination were derived from a single age group or season, ignoring the effects of immunosenescence or vaccine composition. Thus, it remains unclear how immune signatures of vaccine response change with age across multiple seasons. Here we profile the transcriptional landscape of young and older adults over five consecutive vaccination seasons to identify shared signatures of vaccine response as well as marked seasonal differences. Along with substantial variability in vaccine-induced signatures across seasons, we uncovered a common transcriptional signature 28 days post-vaccination in both young and older adults. However, gene expression patterns associated with vaccine-induced antibody responses were distinct in young and older adults; for example, increased expression of Killer Cell Lectin Like Receptor B1 (KLRB1; CD161) 28 days post-vaccination positively and negatively predicted vaccine-induced antibody responses in young and older adults, respectively. These findings contribute new insights for developing more effective influenza vaccines, particularly in older adults.

ABSTRACT Adaptive Immune Receptor Repertoire sequencing (AIRR-seq) is a valuable experimental tool to study the immune state in health and following immune challenges such as infectious diseases, (auto)immune diseases, and cancer. Several tools have been developed to reconstruct B cell and T cell receptor sequences from AIRR-seq data and infer B and T cell clonal relationships. However, currently available tools offer limited parallelization across samples, scalability or portability to high-performance computing infrastructures. To address this need, we developed nf-core/airrflow, an end-to-end bulk and single-cell AIRR-seq processing workflow which integrates the Immcantation Framework following BCR and TCR sequencing data analysis best practices. The Immcantation Framework is a comprehensive toolset, which allows the processing of bulk and single-cell AIRR-seq data from raw read processing to clonal inference. nf-core/airrflow is written in Nextflow and is part of the nf-core project, which collects community contributed and curated Nextflow workflows for a wide variety of analysis tasks. We assessed the performance of nf-core/airrflow on simulated sequencing data with sequencing errors and show example results with real datasets. To demonstrate the applicability of nf-core/airrflow to the high-throughput processing of large AIRR-seq datasets, we validated and extended previously reported findings of convergent antibody responses to SARS-CoV-2 by analyzing 97 COVID-19 infected individuals and 99 healthy controls, including a mixture of bulk and single-cell sequencing datasets. Using this dataset, we extended the convergence findings to 20 additional subjects, highlighting the applicability of nf-core/airrflow to validate findings in small in-house cohorts with reanalysis of large publicly available AIRR datasets. Availability and implementation nf-core/airrflow is available free of charge, under the MIT license on GitHub ( https://github.com/nf-core/airrflow ). Detailed documentation and example results are available on the nf-core website at ( https://nf-co.re/airrflow ). Visual abstract

Systems vaccinology studies have been used to build computational models that predict individual vaccine responses and identify the factors contributing to differences in outcome. Comparing such models is challenging due to variability in study designs. To address this, we established a community resource to compare models predicting B. pertussis booster responses and generate experimental data for the explicit purpose of model evaluation. We here describe our second computational prediction challenge using this resource, where we benchmarked 49 algorithms from 53 scientists. We found that the most successful models stood out in their handling of nonlinearities, reducing large feature sets to representative subsets, and advanced data preprocessing. In contrast, we found that models adopted from literature that were developed to predict vaccine antibody responses in other settings performed poorly, reinforcing the need for purpose-built models. Overall, this demonstrates the value of purpose-generated datasets for rigorous and open model evaluations to identify features that improve the reliability and applicability of computational models in vaccine response prediction.