Summary Antigen recognition through the T cell receptor (TCR) αβ heterodimer is one of the primary determinants of the adaptive immune response. Vaccines activate naïve T cells with high specificity to expand and differentiate into memory T cells. However, antigen-specific memory CD4 T cells exist in unexposed antigen-naïve hosts. In this study, we use high-throughput sequencing of memory CD4 TCRβ repertoire and machine learning to show that individuals with preexisting vaccine-reactive memory CD4 T cell clonotypes elicited earlier and higher antibody titers and mounted a more robust CD4 T cell response to hepatitis B vaccine. In addition, integration of TCRβ sequence patterns into a hepatitis B vaccine specific model can predict which individuals will have an early and more vigorous vaccine-elicited immunity. Thus, the presence of preexisting memory T clonotypes has a significant impact on immunity and can be used to predict immune responses to vaccination.

ABSTRACT Despite the general agreement on the importance of T cells during SARS-CoV-2 infection, the clinical impact of specific and cross-reactive T-cell responses remains uncertain, while this knowledge may indicate how to adjust vaccines and maintain robust long-term protection against continuously emerging variants. To characterize CD8+ T-cell response to epitopes unique to SARS-CoV-2 (SC-unique) or shared with other coronaviruses (CoV-common), we trained a large number of TCR-epitope recognition models for MHC-I-presented SARS-CoV-2 epitopes from publicly available data. Applying those models to longitudinal COVID-19 TCR repertoires of critical and non-critical COVID-19 patients, we discovered that notwithstanding comparable CD8+ T-cell depletion and the sizes of putative CoV-common CD8+ TCR repertoires in all symptomatic patients at the initial stage of the disease, the temporal dynamics of putative SC2-unique TCRs differed depending on the disease severity. Only non-critical patients had developed large and diverse SC2-unique CD8+ T-cell response by the second week of the disease. Additionally, only this patient group demonstrated redundancy in CD8+ TCRs putatively recognizing unique and common SARS-CoV-2 epitopes. Our findings thus emphasize the role of the de novo CD8+ T-cell response and support the argument against the clinical benefit of pre-existing cross-reactive CD8+ T cells. Now, the analytical framework of this study can not only be employed to track specific and cross-reactive SARS-CoV-2 CD8+ T cells in any TCR repertoire but also be generalized to more epitopes and be employed for adaptive immune response assessment and monitoring to inform public health decisions.

Abstract The Wilms’ tumor protein 1 (WT1) is a well-known and prioritized tumor-associated antigen expressed in numerous solid and blood tumors. Its abundance and immunogenicity have led to the development of different WT1-specific immune therapies. The driving player in these therapies, the WT1-specific T-cell receptor (TCR) repertoire, has received much less attention. Importantly, T cells with high affinity against the WT1 self-antigen are normally eliminated after negative selection in the thymus and are thus rare in peripheral blood. Here, we developed computational models for the robust and fast identification of WT1-specific TCRs from TCR repertoire data. To this end, WT1 37-45 (WT1-37) and WT1 126-134 (WT1-126)-specific T cells were isolated from WT1 peptide-stimulated blood of healthy individuals. The TCR repertoire from these WT1-specific T cells was sequenced and used to train a pattern recognition model for the identification of WT1-specific TCR patterns for the WT1-37 or WT1-126 epitopes. The resulting computational models were applied on an independent published dataset from acute myeloid leukemia (AML) patients, treated with hematopoietic stem cell transplantation, to track WT1-specific TCRs in silico . Several WT1-specific TCRs were found in AML patients. Subsequent clustering analysis of all repertoires indicated the presence of more diverse TCR patterns within the WT1-specific TCR repertoires of AML patients in complete remission in contrast to relapsing patients. We demonstrate the possibility of tracking WT1-37 and WT1-126-specific TCRs directly from TCR repertoire data using computational methods, eliminating the need for additional blood samples and experiments for the two studied WT1 epitopes.

Abstract The immune system acts as the intricate apparatus dedicated to mounting a defence that ensures host survival from microbial threats. To engage this faceted immune response and provide protection against infectious diseases, vaccinations are the critical tool developed. However, vaccine responses are governed by levels that when interrogated separately only explain a fraction of the immune reaction. To address this knowledge gap, we conducted a feasibility study to determine if multi-view modelling can aid in gaining actionable insights on response markers shared across populations, capture the immune system diversity, and disentangle confounders. We thus sought to assess this multi-view modelling capacity on the responsiveness to Hepatitis B virus (HBV) vaccination. Seroconversion to vaccine induced antibodies against HBV surface antigen (anti-HBs) in early-converters (n=21; <2 month) and late-converters (n=9; <6 months), was defined based on the anti-HBs titres (>10IU/L). The multi-view data encompassed bulk RNA-seq, CD4+ T cell parameters (including T-cell receptor data), flow cytometry data, and clinical metadata (including age and gender). The modelling included testing single-view and multi-view joint dimensionality reductions. Multi-view joint dimensionality reduction out-performed single-view methods in terms of area under curve and balanced accuracy, confirming an increase in predictive power to be gained. The interpretation of the findings showed that age, gender, inflammation-related gene sets and pre-existing vaccine specific T-cells were associated with vaccination responsiveness. This multi-view dimensionality reduction approach complements the clinical seroconversion and all single modalities. Importantly, this modelling could identify what features predict HBV vaccine response. This methodology could be extended to other vaccination trials to identify key features regulating responsiveness.