Repurposing Sunitinib with Oncolytic Reovirus as a Novel Immunotherapeutic Strategy for Renal Cell Carcinoma
Notice bibliographique
Résumé
PURPOSE: In addition to their direct cytopathic effects, oncolytic viruses are capable of priming antitumor immune responses. However, strategies to enhance the immunotherapeutic potential of these agents are lacking. Here, we investigated the ability of the multi-tyrosine kinase inhibitor and first-line metastatic renal cell carcinoma (RCC) agent, sunitinib, to augment the antitumor immune response generated by oncolytic reovirus. EXPERIMENTAL DESIGN: In vitro, oncolysis and chemokine production were assessed in a panel of human and murine RCC cell lines after exposure to reovirus, sunitinib, or their combination. In vivo, the RENCA syngeneic murine model of RCC was employed to determine therapeutic and tumor-specific immune responses after treatment with reovirus (intratumoral), sunitinib, or their combination. Parallel investigations employing the KLN205 syngeneic murine model of lung squamous cell carcinoma (NSCLC) were conducted for further validation. RESULTS: IFNγ-producing cells. Coadministration of sunitinib with reovirus further reduced tumor burden resulting in improved survival, decreased accumulation of immune suppressor cells, and the establishment of protective immunity upon tumor rechallenge. Similar results were observed for KLN205 tumor-bearing mice, highlighting the potential broad applicability of this approach. CONCLUSIONS: The ability to repurpose sunitinib for augmentation of reovirus' immunotherapeutic efficacy positions this novel combination therapy as an attractive strategy ready for clinical testing against a range of histologies, including RCC and NSCLC. Clin Cancer Res; 22(23); 5839-50. ©2016 AACR.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».