Strategies for Generating Diverse Antibody Repertoires Using Transgenic Animals Expressing Human Antibodies
Notice bibliographique
Résumé
Therapeutic molecules derived from antibodies have become a dominant class of drugs used to treat human disease. Increasingly, therapeutic antibodies are discovered using transgenic animal systems that have been engineered to express human antibodies. While the engineering details differ, these platforms share the ability to raise an immune response that is comprised of antibodies with fully human idiotypes. Although the predominant transgenic host species has been mouse, the genomes of rats, rabbits, chickens and cows have also been modified to express human antibodies. The creation of transgenic animal platforms expressing human antibody repertoires has revolutionized therapeutic antibody drug discovery. The observation that the immune systems of these animals are able to recognize and respond to a wide range of therapeutically relevant human targets has led to a surge in antibody-derived drugs in current development. While the clinical success of fully human monoclonal antibodies derived from transgenic animals is well established, recent trends have seen increasingly stringent functional design goals and a shift in difficulty as the industry attempts to tackle the next generation of disease-associated targets. These challenges have been met with a number of novel approaches focused on the generation of large, high quality and diverse antibody repertoires. In this Perspective, we describe some of the strategies and considerations we use for manipulating the immune systems of transgenic animal platforms (such as XenoMouse®) with a focus on maximizing the diversity of the primary response and steering the ensuing antibody repertoire towards a desired outcome.
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 | 0,001 | 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) | 0,000 | 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 ».