Quantitative MRI cell tracking of immune cell recruitment to tumors and draining lymph nodes in response to anti-PD-1 and a DPX-based immunotherapy
Notice bibliographique
Résumé
DPX is a unique T cell activating formulation that generates robust immune responses (both clinically and preclinically) which can be tailored to various cancers via the use of tumor-specific antigens and adjuvants. While DPX-based immunotherapies may act complementary with checkpoint inhibitors, combination therapy is not always easily predictable based on individual therapeutic responses. Optimizing these combinations can be improved by understanding the mechanism of action underlying the individual therapies. Magnetic Resonance Imaging (MRI) allows tracking of cells labeled with superparamagnetic iron oxide (SPIO), which can yield valuable information about the localization of crucial immune cell subsets. In this work, we evaluated the use of a multi-echo, single point MRI pulse sequence, TurboSPI, for tracking and quantifying cytotoxic T lymphocytes (CTLs) and myeloid lineage cells (MLCs). In a subcutaneous cervical cancer model (C3) we compared untreated mice to mice treated with either a single therapy (anti-PD-1 or DPX-R9F) or a combination of both therapies. We were able to detect, using TurboSPI, significant increases in CTL recruitment dynamics in response to combination therapy. We also observed differences in MLC recruitment to therapy-draining (DPX-R9F) lymph nodes in response to treatment with DPX-R9F (alone or in combination with anti-PD-1). We demonstrated that the therapies presented herein induced time-varying changes in cell recruitment. This work establishes that these quantitative molecular MRI techniques can be expanded to study a number of cancer and immunotherapy combinations to improve our understanding of longitudinal immunological changes and mechanisms of action.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 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 ».