Th17 cells contribute to combination MEK inhibitor and anti-PD-L1 therapy resistance in KRAS/p53 mutant lung cancers
Notice bibliographique
Résumé
Understanding resistance mechanisms to targeted therapies and immune checkpoint blockade in mutant KRAS lung cancers is critical to developing novel combination therapies and improving patient survival. Here, we show that MEK inhibition enhanced PD-L1 expression while PD-L1 blockade upregulated MAPK signaling in mutant KRAS lung tumors. Combined MEK inhibition with anti-PD-L1 synergistically reduced lung tumor growth and metastasis, but tumors eventually developed resistance to sustained combinatorial therapy. Multi-platform profiling revealed that resistant lung tumors have increased infiltration of Th17 cells, which secrete IL-17 and IL-22 cytokines to promote lung cancer cell invasiveness and MEK inhibitor resistance. Antibody depletion of IL-17A in combination with MEK inhibition and PD-L1 blockade markedly reduced therapy-resistance in vivo. Clinically, increased expression of Th17-associated genes in patients treated with PD-1 blockade predicted poorer overall survival and response in melanoma and predicated poorer response to anti-PD1 in NSCLC patients. Here we show a triple combinatorial therapeutic strategy to overcome resistance to combined MEK inhibitor and PD-L1 blockade.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».