Lipid Nanoparticles Delivering Constitutively Active STING mRNA to Stimulate Antitumor Immunity
Notice bibliographique
Résumé
Treating immunosuppressive tumors represents a major challenge in cancer therapies. Activation of STING signaling has shown remarkable potential to invigorate the immunologically “cold” tumor microenvironment (TME). However, we have shown that STING is silenced in many human cancers, including pancreatic ductal adenocarcinoma (PDAC) and Merkel cell carcinoma (MCC). In this study, we demonstrated that mRNA-lipid nanoparticle (LNP) technology could be used to efficiently deliver naturally occurring constitutively active STING mutant STINGR284S into these cancer cells to reactivate STING antitumor immunity and trigger robust killing of tumor cells. STING agonists are being actively pursued as cancer immunotherapies. However, traditional STING agonists can induce T cell cytotoxicity, counteracting the desired antitumor immune response. In addition, the antitumor efficacy of traditional STING agonists obligatorily depends on STING expression and does not work in STING-silenced cancers. Importantly, we found that STINGR284S mRNA-LNP does not introduce T cell cytotoxicity. Our studies demonstrated that mRNA-LNP delivery of STINGR284S can reactivate the antitumor response without introducing antiproliferative effects in lymphocytic immune cells, overcoming the toxicity and limitations of conventional STING agonists. Our work therefore identifies a novel therapeutic tool for reactivating antitumor immunity in an array of STING-silenced immunologically “cold” tumors that are refractory to current therapies.
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) | 0,000 | 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 | 0,001 | 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 ».