Anti-Folate Receptor-α IgE but not IgG Recruits Macrophages to Attack Tumors via TNFα/MCP-1 Signaling
Notice bibliographique
Résumé
Abstract IgE antibodies are key mediators of antiparasitic immune responses, but their potential for cancer treatment via antibody-dependent cell-mediated cytotoxicity (ADCC) has been little studied. Recently, tumor antigen–specific IgEs were reported to restrict cancer cell growth by engaging high-affinity Fc receptors on monocytes and macrophages; however, the underlying therapeutic mechanisms were undefined and in vivo proof of concept was limited. Here, an immunocompetent rat model was designed to recapitulate the human IgE-Fcϵ receptor system for cancer studies. We also generated rat IgE and IgG mAbs specific for the folate receptor (FRα), which is expressed widely on human ovarian tumors, along with a syngeneic rat tumor model expressing human FRα. Compared with IgG, anti-FRα IgE reduced lung metastases. This effect was associated with increased intratumoral infiltration by TNFα+ and CD80+ macrophages plus elevated TNFα and the macrophage chemoattractant MCP-1 in lung bronchoalveolar lavage fluid. Increased levels of TNFα and MCP-1 correlated with IgE-mediated tumor cytotoxicity by human monocytes and with longer patient survival in clinical specimens of ovarian cancer. Monocytes responded to IgE but not IgG exposure by upregulating TNFα, which in turn induced MCP-1 production by monocytes and tumor cells to promote a monocyte chemotactic response. Conversely, blocking TNFα receptor signaling abrogated induction of MCP-1, implicating it in the antitumor effects of IgE. Overall, these findings show how antitumor IgE reprograms monocytes and macrophages in the tumor microenvironment, encouraging the clinical use of IgE antibody technology to attack cancer beyond the present exclusive reliance on IgG. Cancer Res; 77(5); 1127–41. ©2017 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,009 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».