MétaCan
Menu
Retour à la cohorte
Enregistrement W3175559176 · doi:10.1096/fasebj.2018.32.1_supplement.lb685

Effect of Platelets and their Pharmacological Regulation on Cancer Cell Immune Checkpoint PD‐L1 Expression

2018· article· en· W3175559176 sur OpenAlexaff
Gabriela Lesyk, Erika Poitras, Paul Jurasz

Notice bibliographique

RevueThe FASEB Journal · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueInflammatory Biomarkers in Disease Prognosis
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésPlateletCancer cellPlatelet activationCancer researchImmune systemCancerLung cancerImmunologyChemistryBiologyMedicineInternal medicine

Résumé

récupéré en direct d'OpenAlex

Background Cancer cells have the ability to activate platelets, and platelets play an important role facilitating hematogenous metastasis. One mechanism by which platelets promote metastasis is their ability to shield cancer cells from natural killer cell‐mediated death. Although much is known of how platelets affect the innate immune response, our understanding of platelet function in modulating the adaptive immune system in cancer is limited. A major negative regulator of the adaptive immune response in cancer is the immune checkpoint transmembrane protein Programmed Death Ligand 1 (PD‐L1). PD‐L1 interacts with its receptor PD on T‐cells resulting in T‐cell anergy and/or apoptosis. This cancer cell survival mechanism is exploited in various types of cancer, including lung and kidney. Interestingly, platelets upon activation secrete a number of factors that have the potential to increase cancer cell PD‐L1 expression. Therefore, we hypothesized that cancer cell‐activated platelets increase cancer cell PD‐L1 expression and that common anti‐platelet drugs inhibit this platelet‐induced up‐regulation of PD‐L1. Methods Platelets were isolated from the blood of healthy human volunteers. Human A549 lung and 786‐O renal cancer cells were incubated with and without platelets for 24 hours and cancer cell PD‐L1 surface expression was measured by flow cytometry and mRNA by qPCR. In other experiments, platelet‐cancer cell incubations were performed in the presence of anti‐platelet drugs acetylsalicylic acid (ASA – 100 mM), Prasugrel active metabolite (PAM – 10 mM) or Integrelin (10 mM). Results Platelets caused a significant increase in PD‐L1 surface expression by A549 (6.7±3.1% of A549 vs. 16.3±3.9% of A549 + platelets, P < 0.05 ) and 786‐0 cells (11.2±3.1% of 786‐O vs. 21.8±4,8% of 786‐O + platelets, P < 0.05 ). This increase in surface expression occurred as a result of a 3‐fold increase in PD‐L1 mRNA in A549 incubated with platelets. Platelets did not express PD‐L1 mRNA. Importantly, anti‐platelet drugs Prasugrel active metabolite (PAM) and Integrelin, but not acetylsalicylic acid, prevented the platelet‐dependent increase in PD‐L1 expression by A549. Conclusions Platelets up‐regulate the transcriptional expression of PD‐L1 by cancer cells, and Prasugrel and Integrelin can inhibit this up‐regulation. Further experiments are needed to determine whether platelet‐induced expression of PD‐L1 on cancer cells protects them from T‐cell induced death, and whether investigation of anti‐platelet drugs as adjuvant therapy in addition to immune checkpoint inhibitors is warranted. This abstract is from the Experimental Biology 2018 Meeting. There is no full text article associated with this abstract published in The FASEB Journal .

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,013
Tête enseignante GPT0,291
Écart entre enseignants0,278 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe FASEB JournalMême sujetInflammatory Biomarkers in Disease PrognosisTravaux en français237 207