Generation of Genetically Engineered Mouse Lung Organoid Models for Squamous Cell Lung Cancers Allows for the Study of Combinatorial Immunotherapy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: Lung squamous cell carcinoma (LSCC) is a deadly disease for which only a subset of patients responds to immune checkpoint blockade (ICB) therapy. Therefore, preclinical mouse models that recapitulate the complex genetic profile found in patients are urgently needed. EXPERIMENTAL DESIGN: We used CRISPR genome editing to delete multiple tumor suppressors in lung organoids derived from Cre-dependent SOX2 knock-in mice. We investigated both the therapeutic efficacy and immunologic effects accompanying combination PD-1 blockade and WEE1 inhibition in both mouse models and LSCC patient-derived cell lines. RESULTS: We show that multiplex gene editing of mouse lung organoids using the CRISPR-Cas9 system allows for efficient and rapid means to generate LSCCs that closely mimic the human disease at the genomic and phenotypic level. Using this genetically defined mouse model and three-dimensional tumoroid culture system, we show that WEE1 inhibition induces DNA damage that primes the endogenous type I IFN and antigen presentation system in primary LSCC tumor cells. These events promote cytotoxic T-cell-mediated clearance of tumor cells and reduce the accumulation of tumor-infiltrating neutrophils. Beneficial immunologic features of WEE1 inhibition are further enhanced by the addition of anti-PD-1 therapy. CONCLUSIONS: We developed a mouse model system to investigate a novel combinatory approach that illuminates a clinical path hypothesis for combining ICB with DNA damage-inducing therapies in the treatment of LSCC.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle