More Haste, Less Speed: Could Public–Private Partnerships Advance Cellular Immunotherapies?
Notice bibliographique
Résumé
Cellular immunotherapies promise to transform cancer care. However, they must overcome serious challenges, including: (1) the need to identify and characterize novel cancer antigens to expand the range of therapeutic targets; (2) the need to develop strategies to minimize serious adverse events, such as cytokine release syndrome and treatment-related toxicities; and (3) the need to develop efficient production/manufacturing processes to reduce costs. Here, we discuss whether these challenges might better be addressed through forms of public-private research collaborations, including public-private partnerships (PPPs), or whether these challenges are best addressed by way of standard market transactions. We reviewed 14 public-private relationships and 25 underlying agreements for the clinical development of cancer cellular immunotherapies in the US. Most were based on bilateral research agreements and pure market transactions in the form of service contracts and technology licenses, which is representative of the commercialization focus of the field. We make the strategic case that multiparty PPPs may better advance cancer antigen discovery and characterization and improved cell processing/manufacturing and related activities. In the rush toward the competitive end of the translational continuum for cancer cellular immunotherapy and the attendant focus on commercialization, many gaps have appeared in our understanding of cellular biology, immunology, and bioengineering. We conclude that the model of bilateral agreements between leading research institutions and the private sector may be inadequate to efficiently harness the interdisciplinary skills and knowledge of the public and private sectors to bring these promising therapies to the clinic for the benefit of cancer patients.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».