Efficient and robust NK-Cell transduction with Baboon Envelope pseudotyped lentivector: a major tool for immunotherapy
Notice bibliographique
Résumé
ABSTRACT NK-cell resistance to transduction is a major technical hurdle for developing NK-cell immunotherapy. By using Baboon envelope pseudotyped lentiviral vectors (BaEV-LVs) encoding eGFP, we obtained a transduction rate of 23.0±6.6% in freshly-isolated NK-cells (FI-NK) and 83.4±10.1% in NK-cells obtained from the NK-cell Activation and Expansion System (NKAES), even at low MOI, with a sustained transgene expression for at least 21 days. BaEV-LVs outperformed Vesicular Stomatitis Virus type-G (VSV-G)-, RD114-and Measles Virus (MV)-pseudotyped LVs (p<0.001). mRNA expression of both BaEV receptors, ASCT1 and ASCT2, was detected in FI-NK and NKAES, with much higher expression in NKAES. Transduction with BaEV-LVs encoding for CAR-CD22 resulted in robust CAR-expression on 44.2%±14.2% of NKAES cells, which allowed the specific killing of the NK-resistant pre-B-ALL-RS4;11 cell line. Using a larger vector, encoding a dual CD19/CD22-CAR separated by T2A, we were able to transduce and re-expand dual-CAR-expressing NKAES, even with low viral titer. These dual-CAR-NK efficiently and specifically killed both CD19 KO -and CD22 KO -RS4;11 cells, which may overcome antigen-loss escape in the clinical setting. Our results suggest that BaEV-LVs may efficiently enable NK-cell biological studies and translation of NK-cell-based immunotherapy to the clinic.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».