Low Mutation Burden in Ovarian Cancer May Limit the Utility of Neoantigen-Targeted Vaccines
Notice bibliographique
Résumé
Due to advances in sequencing technology, somatically mutated cancer antigens, or neoantigens, are now readily identifiable and have become compelling targets for immunotherapy. In particular, neoantigen-targeted vaccines have shown promise in several pre-clinical and clinical studies. However, to date, neoantigen-targeted vaccine studies have involved tumors with exceptionally high mutation burdens. It remains unclear whether neoantigen-targeted vaccines will be broadly applicable to cancers with intermediate to low mutation burdens, such as ovarian cancer. To address this, we assessed whether a derivative of the murine ovarian tumor model ID8 could be targeted with neoantigen vaccines. We performed whole exome and transcriptome sequencing on ID8-G7 cells. We identified 92 somatic mutations, 39 of which were transcribed, missense mutations. For the 17 top predicted MHC class I binding mutations, we immunized mice subcutaneously with synthetic long peptide vaccines encoding the relevant mutation. Seven of 17 vaccines induced robust mutation-specific CD4 and/or CD8 T cell responses. However, none of the vaccines prolonged survival of tumor-bearing mice in either the prophylactic or therapeutic setting. Moreover, none of the neoantigen-specific T cell lines recognized ID8-G7 tumor cells in vitro, indicating that the corresponding mutations did not give rise to bonafide MHC-presented epitopes. Additionally, bioinformatic analysis of The Cancer Genome Atlas data revealed that only 12% (26/220) of HGSC cases had a ≥90% likelihood of harboring at least one authentic, naturally processed and presented neoantigen versus 51% (80/158) of lung cancers. Our findings highlight the limitations of applying neoantigen-targeted vaccines to tumor types with intermediate/low mutation burdens.
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 | 0,000 | 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 | 0,000 |
| 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) | 0,004 | 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 ».