A High-Throughput Method for Characterizing Novel Chimeric Antigen Receptors in Jurkat Cells
Notice bibliographique
Résumé
Chimeric antigen receptor (CAR) development involves extensive empirical characterization of antigen-binding domain (ABD)/CAR constructs for clinical suitability. Here, we present a cost-efficient and rapid method for evaluating CARs in human Jurkat T cells. Using a modular CAR plasmid, a highly efficient ABD cloning strategy, plasmid electroporation, short-term co-culture, and flow-cytometric detection of CD69, this assay (referred to as CAR-J) evaluates sensitivity and specificity for ABDs. Assessing 16 novel anti-CD22 single-chain variable fragments derived from mouse monoclonal antibodies, CAR-J stratified constructs by response magnitude to CD22-expressing target cells. We also characterized 5 novel anti-EGFRvIII CARs for preclinical development, identifying candidates with varying tonic and target-specific activation characteristics. When evaluated in primary human T cells, tonic/auto-activating (without target cells) EGFRvIII-CARs induced target-independent proliferation, differentiation toward an effector phenotype, elevated activity against EGFRvIII-negative cells, and progressive loss of target-specific response upon in vitro re-challenge. These EGFRvIII CAR-T cells also showed anti-tumor activity in xenografted mice. In summary, CAR-J represents a straightforward method for high-throughput assessment of CAR constructs as genuine cell-associated antigen receptors that is particularly useful for generating large specificity datasets as well as potential downstream CAR optimization.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 0,004 |
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 ».