Targeting NK Cell Inhibitory Receptors for Precision Multiple Myeloma Immunotherapy
Notice bibliographique
Résumé
Innate immune surveillance of cancer involves multiple types of immune cells including the innate lymphoid cells (ILCs). Natural killer (NK) cells are considered the most active ILC subset for tumor elimination because of their ability to target infected and malignant cells without prior sensitization. NK cells are equipped with an array of activating and inhibitory receptors (IRs); hence NK cell activity is controlled by balanced signals between the activating and IRs. Multiple myeloma (MM) is a hematological malignancy that is known for its altered immune landscape. Despite improvements in therapeutic options for MM, this disease remains incurable. An emerging trend to improve clinical outcomes in MM involves harnessing the inherent ability of NK cells to kill malignant cells by recruiting NK cells and enhancing their cytotoxicity toward the malignant MM cells. Following the clinical success of blocking T cell IRs in multiple cancers, targeting NK cell IRs is drawing increasing attention. Relevant NK cell IRs that are attractive candidates for checkpoint blockades include KIRs, NKG2A, LAG-3, TIGIT, PD-1, and TIM-3 receptors. Investigating these NK cell IRs as pathogenic agents and therapeutic targets could lead to promising applications in MM therapy. This review describes the critical role of enhancing NK cell activity in MM and discusses the potential of blocking NK cell IRs as a future MM therapy.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».