Naturally Killing the Silent Killer: NK Cell-Based Immunotherapy for Ovarian Cancer
Notice bibliographique
Résumé
Ovarian cancer (OC) is diagnosed in ~22,000 women in the US each year and kills 14,000 of them. Often, patients are not diagnosed until the later stages of disease, when treatment options are limited, highlighting the urgent need for new and improved therapies for precise cancer control. An individual's immune function and interaction with tumor cells can be prognostic of the response to cancer treatment. Current emerging therapies for OC include immunotherapies, which use antibodies or drive T cell-mediated cancer recognition and elimination. In OC, these have been limited by adverse side effects and tumor characteristics including inter- and intra-tumoral heterogeneity, lack of targetable antigens, loss of tumor human leukocyte antigen expression, high levels of immunosuppressive factors, and insufficient immune cell trafficking. Natural killer (NK) cells may be ideal as primary or collateral effectors to these nascent immunotherapies. NK cells exhibit multiple functions that combat immune escape and tumor relapse: they kill targets and elicit inflammation through antigen-independent pathways and detect loss of HLA as a signal for activation. NK cells are efficient mediators of tumor immune surveillance and control, suppressed by the tumor microenvironment and rescued by immune checkpoint blockade. NK cells are regulated by a variety of activating and inhibitory receptors and already known to be central effectors across an array of existing therapies. In this article, we highlight interactions between NK cells and OC and their potential to change the immunosuppressive tumor microenvironment and participate in durable immune control of OC.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».