The Beneficial Role of Sunitinib in Tumor Immune Surveillance by Regulating Tumor PD‐L1
Notice bibliographique
Résumé
Immune checkpoints blockades have shown promising clinical effects in various malignancies, but the overall response rate is low. Here, the immune features are comprehensively characterized in >10 000 cancer patients from The Cancer Genome Atlas and significantly positive correlations are observed between targets of Sunitinib and inhibitory immune checkpoints and suppressive immune cells. It is further confirmed that Sunitinib treatment increases the antitumor immunity in a phase III trial. Mechanistically, it is discovered that Sunitinib regulates the stability of tumor PD-L1 via p62, that p62 can bind to PD-L1 and specifically promote its translocation into autophagic lysosome for degradation. Preclinically, Sunitinib shows a synergistic antitumor effect with cytotoxic T-lymphocyte-associated protein 4 (CTLA-4) monoclonal antibody (mAb) in melanoma and nonsmall cell lung cancer (NSCLC) immune competent mice by promoting the tumor-infiltrating lymphocytes activity. Clinically, a higher PD-L1 level but a lower p62 level in the tumor region of responders as compared to those of nonresponders among anti-PD-1-treated NSCLC patients is observed. Taken together, by utilizing rigorous computational analysis, functional characterization in vitro and in vivo, and neoadjuvent clinical trial, a novel molecular mechanism is revealed regarding the regulation of PD-L1 via p62, thus providing a novel therapeutic strategy by the combination treatment of CTLA-4 with Sunitinib.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 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 ».