A rational mouse model to detect on-target, off-tumor CAR T cell toxicity
Notice bibliographique
Résumé
Off-tumor targeting of human antigens is difficult to predict in preclinical animal studies and can lead to serious adverse effects in patients. To address this, we developed a mouse model with stable and tunable human Her2 (hHer2) expression on normal hepatic tissue and compared toxicity between affinity-tuned Her2 chimeric antigen receptor T cells (CARTs). In mice with hHer2-high livers, both the high-affinity (HA) and low-affinity (LA) CARTs caused lethal liver damage due to immunotoxicity. In mice with hHer2-low livers, LA-CARTs exhibited less liver damage and lower systemic levels of IFN-γ than HA-CARTs. We then compared affinity-tuned CARTs for their ability to control a hHer2-positive tumor xenograft in our model. Surprisingly, the LA-CARTs outperformed the HA-CARTs with superior antitumor efficacy in vivo. We hypothesized that this was due, in part, to T cell trafficking differences between LA and HA-CARTs and found that the LA-CARTs migrated out of the liver and infiltrated the tumor sooner than the HA-CARTs. These findings highlight the importance of T cell targeting in reducing toxicity of normal tissue and also in preventing off-tumor sequestration of CARTs, which reduces their therapeutic potency. Our model may be useful to evaluate various CARTs that have conditional expression of more than 1 single-chain variable fragment (scFv).
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) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».