Exploiting autoimmunity unleashed by low‐dose immune checkpoint blockade to treat advanced cancer
Notice bibliographique
Résumé
As a result of the cancer immunotherapy revolution, more than 2000 immuno-oncology agents are currently being tested or are in use to improve responses. Not unexpectedly, the 2018 Nobel Prize in Physiology or Medicine was awarded to James P. Allison and Tasuku Honjo for their development of cancer therapy by the blockade of co-inhibitory signals. Unfortunately, manipulation of the co-inhibitory receptors has also resulted in a safety issue: widespread iatrogenic immune-related adverse events (irAEs). Autoimmunity is emerging as the nemesis of immunotherapy. Originally, it was assumed that CTLA-4 blockade selectively targets T cells relevant to the antitumour immune response. However, an uncontrolled pan T cell activation was induced compromising tolerance to healthy self-tissues. The irAEs are very similar to that of a chronic graft-versus-host-disease (GVHD) reaction following allogeneic bone marrow transplantation (BMT). We hypothesized that ipilimumab induced a graft-versus-malignancy (GVM) effect, which eradicated metastatic melanoma in a minority of patients, but also involved an auto-GVHD reaction that resulted in widespread autoimmunity in the majority. Therefore, we argued for a profound theoretical point against the consensus of experts. The task is not to desperately put the genie back in the bottle by immune-suppressive treatments, but instead to harness the autoimmune forces. In this way, the same goal could be achieved by an antibody as by the adoptive transfer of alloreactive donor lymphocytes, but without severe GVHD. The proof-of-principle of a low-dose-combination immune checkpoint therapy, consisting only of approved drugs and treatments, was demonstrated in 111 stage IV 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 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 ».