Abstract The expression of CD45RA is generally associated with naive T cells. However, a subset of effector memory T cells re-expresses CD45RA (termed TEMRA) after antigenic stimulation with unknown molecular characteristics and functions. CD4 TEMRA cells have been implicated in protective immunity against pathogens such as dengue virus (DENV). Here we show that not only the frequency but also the phenotype of CD4 TEMRA cells are heterogeneous between individuals. These cells can be subdivided into two major subsets based on the expression of the adhesion G protein-coupled receptor GPR56, and GPR56 + TEMRA cells display a transcriptional and proteomic program with cytotoxic features that is distinct from effector memory T cells. Moreover, GPR56 + TEMRA cells have higher levels of clonal expansion and contain the majority of virus-specific TEMRA cells. Overall, this study reveals the heterogeneity of CD4 TEMRA cells and provides insights into T-cell responses against DENV and other viral pathogens.

Abstract Computational methods for identification of cell populations from high-dimensional flow cytometry data are changing the paradigm of cytometry bioinformatics. Data clustering is the most common computational approach to unsupervised identification of cell populations from multidimensional cytometry data. We found that combining recursive filtering and clustering with constraints converted from the user manual gating strategy can effectively identify overlapping and rare cell populations from smeared data that would have been difficult to resolve by either a single run of data clustering or manual segregation. We named this new method DAFi: Directed Automated Filtering and Identification of cell populations. Design of DAFi preserves the data-driven characteristics of unsupervised clustering for identifying novel cell-based biomarkers, but also makes the results interpretable to experimental scientists as in supervised classification through mapping and merging the high-dimensional data clusters into the user-defined 2D gating hierarchy. By recursive data filtering before clustering, DAFi can uncover small local clusters which are otherwise difficult to identify due to the statistical interference of the irrelevant major clusters. Quantitative assessment of cell type specific characteristics demonstrates that the population proportions calculated by DAFi, while being highly consistent with those by expert centralized manual gating, have smaller technical variance than those from individual manual gating analysis. Visual examination of the dot plots showed that the boundaries of the DAFi-identified cell populations followed the natural shapes of the data distributions. To further exemplify the utility of DAFi, we show that DAFi can incorporate the FLOCK clustering method to identify novel cell-based biomarkers. Implementation of DAFi supports options including clustering, bisecting, slope-based gating, and reversed filtering to meet various auto-gating needs from different scientific use cases.

We discovered by flow cytometry a cell population expressing both T cell (CD3) and monocyte (CD14) surface markers in the live singlet cell population of PBMC from human subjects. Imaging experiments revealed that CD3+CD14+ cells are T cell:monocyte complexes in such strong interaction that flow cytometry acquisition did not break them apart. The T cell:monocyte complexes can be detected in frozen and fresh PBMC samples at similar frequencies. High resolution microscopy shows polarized distribution of LFA1/ICAM1 in many doublets, suggesting they form in vivo and represent true biological interactions between immune cells. Moreover, T cell:monocyte complex frequencies were increased after immune perturbations. They were found at high levels at diagnosis in subjects with active tuberculosis and decreased upon treatment, varied as a function of disease severity in acute dengue infection, and increased in a time dependent fashion post tetanus, diphtheria and pertussis (Tdap) vaccination. Intriguingly, the CD4 vs CD8 phenotype of T cells that paired with the monocyte within the complexes varied with the nature of the immune perturbation, and CD4-CD8- T cells showed consistently the highest constant of association with monocytes. Overall these data suggest that cell doublets reflecting T cell-monocyte in vivo immune interactions can be detected in human blood and that the common approach in flow cytometry to avoid studying cell:cell complexes should be re-visited.

Our recent work has highlighted that care needs to be taken when interpreting single cell data originating from flow cytometry acquisition or cell sorting: We found that doublets of T cells bound to other immune cells are often present in the live singlet gate of human peripheral blood samples acquired by flow cytometry. This hidden contamination generates atypical gene signatures of mixed cell lineage in what is assumed to be single cells, which can lead to data misinterpretation, such as the description of novel immune cell types. Here, based on the example of T cell-monocyte complexes, we identify experimental and data analysis strategies to help distinguishing between singlets and cell-cell complexes in non-imaging flow cytometry and single-cell sorting. We found robust molecular signatures in both T cell-monocyte and T cell-B cell complexes that can distinguish them from singlets at both protein and mRNA levels. Imaging flow cytometry with appropriate gating strategy (matching the one used in cell sorting) and direct microscopy imaging after cell sorting were the two methods of choice to detect the presence of cell-cell complexes in suspicious dual-expressing cells. We finally applied this knowledge to highlight the likely presence of T cell-B cell complexes in a recently published dataset describing a novel cell population with mixed T cell and B cell lineage properties.

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