A Pan-cancer Clinical Study of Personalized Neoantigen Vaccine Monotherapy in Treating Patients with Various Types of Advanced Solid Tumors
Notice bibliographique
Résumé
PURPOSE: Because of their high tumor specificity and immunogenicity, neoantigens have been considered as ultimate targets for cancer immunotherapy. Neoantigen-based vaccines have demonstrated promising efficacy for several cancer types. To further investigate the antitumor potentials for other types of solid tumors, we designed a peptide-based neoantigen vaccine, iNeo-Vac-P01, and conducted a single-arm, open-labeled, investigator-initiated clinical trial (NCT03662815). PATIENTS AND METHODS: Personalized neoantigen vaccines were designed and manufactured according to our bioinformatics analysis results from the whole-exome sequencing of tumor and peripheral blood cell DNAs. Patients were scheduled to be vaccinated subcutaneously with adjuvant on days 1, 4, 8, 15, and 22 (prime phase), and days 78 and 162 (boost phase). Additional immunizations were administrated every 2-3 months as per patient's potential benefit. The safety and efficacy were assessed through adverse events (AE), progression-free survival (PFS), overall survival (OS), and other parameters. RESULTS: Of the 22 patients enrolled with advanced malignancies, 20 had no or mild AEs, while 2 had grade 3 or 4 acute allergic reactions only after their sixth boost vaccination. The disease control rate was 71.4%. The median PFS was 4.6 months, whereas the median OS was not reached (12-month OS = 55.1%). Around 80% of individual peptides or peptide pools elicited measurable specific immune response. In addition, our findings revealed several potential biomarkers for the prediction of better response. CONCLUSIONS: .
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».