Suboptimal T-cell Therapy Drives a Tumor Cell Mutator Phenotype That Promotes Escape from First-Line Treatment
Notice bibliographique
Résumé
Abstract Antitumor T-cell responses raised by first-line therapies such as chemotherapy, radiation, tumor cell vaccines, and viroimmunotherapy tend to be weak, both quantitatively (low frequency) and qualitatively (low affinity). We show here that T cells that recognize tumor-associated antigens can directly kill tumor cells if used at high effector-to-target ratios. However, when these tumor-reactive T cells were present at suboptimal ratios, direct T-cell–mediated tumor cell killing was reduced and the ability of tumor cells to evolve away from a coapplied therapy (oncolytic or suicide gene therapy) was promoted. This T-cell–mediated increase in therapeutic resistance was associated with C to T transition mutations that are characteristic of APOBEC3 cytosine deaminase activity and was induced through a TNFα and protein kinase C–dependent pathway. Short hairpin RNA inhibition of endogenous APOBEC3 reduced rates of tumor escape from oncolytic virus or suicide gene therapy to those seen in the absence of antitumor T-cell coculture. Conversely, overexpression of human APOBEC3B in tumor cells enhanced escape from suicide gene therapy and oncolytic virus therapy both in vitro and in vivo. Our data suggest that weak affinity or low frequency T-cell responses against tumor antigens may contribute to the ability of tumor cells to evolve away from first-line therapies. We conclude that immunotherapies need to be optimized as early as possible so that, if they do not kill the tumor completely, they do not promote treatment resistance.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,046 | 0,002 |
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 ».