Strategies to Enhance the Efficacy of T-Cell Therapy for Central Nervous System Tumors
Notice bibliographique
Résumé
Mortality rates in patients diagnosed with central nervous system (CNS) tumors, originating in the brain or spinal cord, continue to remain high despite the advances in multimodal treatment regimens, including surgery, radiation, and chemotherapy. Recent success of adoptive cell transfer immunotherapy treatments using chimeric antigen receptor (CAR) engineered T cells against in chemotherapy resistant CD19 expressing B-cell lymphomas, has provided the foundation for investigating efficacy of CAR T immunotherapies in the context of brain tumor. Although significant efforts have been made in developing and translating the novel CAR T therapies for CNS tumors, including glioblastoma (GBM), researchers are yet to achieve a similar level of success as with liquid malignancies. In this review, we discuss strategies and considerations essential for developing robust preclinical models for the translation of T cell-based therapies for CNS tumors. Some of the key considerations include route of delivery, increasing persistence of T cells in tumor environment, remodeling of myeloid environment, establishing the window of treatment opportunity, harnessing endogenous immune system, designing multiple antigen targeting T cells, and rational combination of immunotherapy with the current standard of care. Although this review focuses primarily on CAR T therapies for GBM, similar strategies, and considerations are applicable to all CNS tumors in general.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 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 | 0,000 | 0,001 |
| 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 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 ».